汤森路透推出Thomson专用大模型 法律金融领域性能领先

近期，专业信息服务领域的头部企业推出了全新的专属大语言模型系列，该模型针对法律、金融、税务等专业领域优化，能够比通用大模型提供更准确、更完整的领域相关回答。

这款名为Thomson的模型系列基于Qwen模型架构开发，通过定制化的数据工程和重新训练流程打造。它将首先部署在企业现有产品CoCounsel Legal中，这款工具主要用于法律文档的研究、分析和起草工作，后续还将逐步拓展到企业的其他产品线中，具体上线时间尚未公布。

产品核心规格与落地计划

从核心能力来看，该系列支持最长262000token的文本输入，输出形式为纯文本；采用专家混合架构的Transformer模型，基础版本参数规模达3970亿，每个token仅激活其中170亿参数。在专业领域性能表现突出，Large版本在税务、法律和新闻内容的完整性与事实性上，小幅领先GPT-5.4和Claude Sonnet5，在开放网络内容的事实性评测中比同类模型高出约15分；Small版本则同样优于Gemma4-31B和Claude Haiku4.5。

该模型仅面向企业客户提供服务，其中Large版本为专有模型，而350亿参数的Small版本将作为开源权重模型在Hugging Face平台发布，仅供学术和非商业用途使用，具体的产品定价尚未对外披露。

技术实现细节

研发团队以经过指令微调的开源模型Qwen3.5-397B-A17B为基础构建Large版本，采用了持续学习的训练方案，结合全权重中期训练和微调流程，并在企业专属的大型专业语料库子集上完成训练。根据企业公开的信息，该模型三个月的总训练成本达到4000万美元。

为了让模型更好适配企业的风格和价值观，包括新闻客观性要求，研发团队通过直接偏好优化方法将模型对齐到一套开源的准则框架，这套框架可以开放给其他类似项目进行适配和调整。

为了强化领域专业能力，企业联合合作伙伴从19万亿token的候选数据集中筛选出2000亿token作为中期训练数据集，训练数据主要包含三类：精选的专有文档，如新闻、监管文件、判例法和合同；专业任务的合成数据对；以及经过挑选的通用能力训练材料。

在最终训练阶段，团队再次通过直接偏好优化完成模型对齐，提升了智能体式深度研究的准确性和效率，同时使用组序列策略优化来管理上下文压缩和文档缓存，避免上下文窗口过载或触发冗余的API调用。Small版本的Thomson则采用了类似的训练流程，基座模型为Qwen3.6-35B。

企业团队还表示，未来的Thomson版本可能会更换基座模型，例如考虑使用其他高性能基座，同时训练数据集的规模也会比当前使用的语料库扩大10%以上。

市场竞争与落地场景

从市场背景来看，该企业长期以来就在面向法律、金融专业人士和政府机构的产品中应用AI技术，而Thomson是其首款自研的大语言模型产品。当前企业正面临双重竞争压力：一方面是新兴AI原生专业服务公司的冲击，另一方面则是通用大模型厂商推出的通用产品的替代威胁。

相比其他聚焦法律领域的专业模型，Thomson的覆盖范围更广，涵盖了新闻、商业、税务和金融等多个领域，不过在部分特定的法律基准测试中的表现聚焦度稍低。

CoCounsel Legal作为企业的现有AI助手产品，能够利用专有信息和用户自有文档完成法律研究、文档对比、事件时间线创建等任务，目前该产品的客户规模已经超过百万。Thomson将作为该产品部分功能的底层模型，其余功能仍将依赖其他专有模型。

产品核心优势

研发团队认为，Thomson代表了一种企业级的主权AI方案，区别于国家层面的主权AI。企业无需将敏感数据交给第三方AI公司，也不受限于第三方的基础设施和数据保留政策，客户可以在自有硬件上运行该模型，确保敏感数据完全留存于本地环境。

同时，依托该模型的中期训练方法，客户还可以在自有私有数据上进一步微调模型，无需承担高额的预训练成本，也不必使用成本较低但效果有限的轻量级微调方案。

行业观察

从行业视角来看，模型定制化仍是AI应用领域的重要发展方向，开源权重模型的普及也为团队开展相关试验提供了良好基础。不过对于这类专业领域的AI产品来说，厂商仍需要向客户证明，尽管性能提升幅度有限，其产品依然具备足够的价值来匹配对应的价格。