Thomson Reuters 构建了法律 AI 模型。它证明了什么？

Thomson Reuters 已推出 Thomson，这是一系列为法律、税务、会计和其他专业工作训练的语言模型。首个生产用途很窄：Thomson 预计将为 CoCounsel Legal 中的结构化文档审查功能 Tabular Analysis 提供动力，而 CoCounsel 会继续将其他工作路由到外部模型。

该公司还发布了 Thomson-1.0-Small 的权重。这改变了买方和研究人员可以获得的证据，因为现在可以在 Thomson Reuters 之外检查和测试该家族的一个成员。但这并不能独立验证更大的专有模型，不能证明任一模型都能给出可靠的法律答案，也不能表明拥有训练数据就足以让系统安全地用于专业场景。

证据中有两个 Thomson 模型

8 月 24 日的发布公告将 Thomson 描述为该公司首个内部开发的大型语言模型。Thomson Reuters 表示，它以强大的开放基础模型起步，在人才和算力上投入了 4,000 万美元，使用了不到 10% 的内容进行训练，并保留了对模型及其运行的控制。这些是公司披露，而不是经过审计的成本或性能结论。

生产系统并不是简单的“Thomson 取代所有外部模型”。Thomson Reuters 表示，Tabular Analysis 将是首个使用 Thomson 的 CoCounsel Legal 功能，而产品在设计上仍是多模型的。SiliconANGLE 报道，管理员将能够选择其他模型，且 Thomson Reuters 会继续在第三方系统更合适的地方使用它们。The New Stack 也报道，CoCounsel 仍在使用 Anthropic 技术，Thomson Reuters 也没有声称每条生成的陈述都能逐行追溯到某项法规或裁决。

该公司还在 Hugging Face 上发布了 Thomson-1.0-Small。其模型卡描述了一个混合专家模型：总参数 350 亿，激活参数 30 亿，原生上下文窗口为 262,144 个 token，权重采用 BF16。混合专家模型只会让每个输入经过总参数集合中的一部分，因此 350 亿和 30 亿描述的是同一架构的不同部分，而不是两个模型大小。

小模型基于 Qwen3.6-35B-A3B，并经由 Snowdon-1.1-Small 检查点构建。其权重以 PolyForm Strict 1.0.0 许可证公开。因此，“开放权重”意味着研究人员可以下载和检查参数；不应悄然将其扩大为每种用途都被允许，或生产模型的权重已经公开的主张。

证据层	当前公开内容	它没有确立的内容
Thomson 生产模型	发布范围、选定的大模型基准结果、公司训练和成本披露，以及计划中的 CoCounsel 部署位置	独立准确率、生产失败率、特权信息保护，或买方工作上的等效表现
Thomson-1.0-Small	可下载权重、架构、训练概要、基准表、对比设置和技术报告	更大的生产模型或完整 CoCounsel 系统的行为
CoCounsel 产品	在 Tabular Analysis 中的首个计划用途，以及披露的多模型路由策略	每项任务由哪个模型处理、每条引用的质量，或安全的无人监督法律使用

这种区分很重要，因为模型基准、开放权重检查点和产品工作流是三个不同的对象。关于其中一个对象的证据不会自动转移到另外两个对象。

专有数据改变训练流程，而不是证明责任

Thomson Reuters 的开发流程说明描述了三个大致阶段。团队首先围绕已发布的价值框架重新调整开放基础模型。随后，它使用持续预训练，从 Westlaw、Practical Law、Checkpoint 和 Reuters 加入选定材料，同时重放通用数据，以减少灾难性遗忘——即专业化过程中有用的通用能力丧失。后训练使用专家偏好、领域量规和强化学习来塑造行为与工具使用。

小模型卡补充了有用的规模信息。Thomson Reuters 表示，其中期训练语料包含 2,000 亿个 token，从超过 19 万亿个 token 的池中筛选而来，大致分为专有文档、这些文档的合成改写，以及通用能力重放数据。它报告开发流程使用了 35,207 个 Nvidia B200 GPU 小时，以及约 1.63 × 10²³ 次浮点运算。

这些细节支持一个具体结论：Thomson Reuters 做的不只是给冻结的通用模型接上搜索工具。它使用领域内容和专家生成的训练信号改变了模型权重，然后公开了足够多的小型检查点，使第三方测试成为可能。

但它们并没有显示专有内容自动就是高质量训练数据。权利、新鲜度、司法管辖区、重复、标注一致性，以及训练样本与专业任务之间的关联，仍会影响结果。模型所有权本身也不能证明保密性。推理时发送的数据、日志、检索系统、访问控制、留存、事件响应和合同，仍然是产品层面的控制。

基准表提供了信息，但仍是供应商证据

Thomson Reuters 披露的不只是单个标题分数。其7 月基准文章在七个法律和通用类别中比较了 Thomson-1-Large、Gemini 3.1 Pro、Claude Opus 4.8 和 GPT-5.5。Thomson 在发布表格中的三行领先，其他模型在剩下四行领先。文章还表示，其 53 个查询的深度研究比较使用了内部代理工具链；Thomson 使用 Thomson Reuters 的来源，外部模型使用开放网络搜索；大型语言模型评审者则根据领域专家进行校准。

这比声称一个模型简单地“最好”更容易解释，但这一设置把模型行为、检索权限、专有语料、代理工具链和评审流程结合在一起。在这些条件下，该比较可以支持一个产品系统层面的主张，却不能分离出结果有多少来自基础模型、持续训练、来源访问、提示、工具或评分。

发布的小模型提供了第二组供应商运行的结果。其模型卡报告列出基准的未加权平均分为 74.6，而 Snowdon-1.1-Small 和 Qwen3.6 基础模型均为 71.7。逐行结果是混合的：Thomson-1.0-Small 在模型卡的“Human Queries”和深度研究指标上相较基础模型有明显提升，但 Gemma 4-31B 在数项列出的法律测试中领先，包括 Stanford LegalBench 和合同理解。在通用基准上，Thomson 的基础模型或某个对比模型也在数行获胜。

混合结果不是需要隐藏的尴尬。它们说明专业化有其具体形状。有用的问题是哪些任务在什么工具链下得到改善，而不是一个平均分是否能把领域模型变成一个普遍更安全的律师。

供应商主张	可用证据	部署决策仍需要的证据
Thomson 与前沿模型具有竞争力	指定的对比模型、逐行结果、部分推理设置，以及已描述的评审方法	独立重跑、置信区间、污染分析、完整提示，以及匹配条件下的成本和延迟
领域训练改善了专业工作	与基础模型的小模型对比，以及公司深度研究和专家查询测试	有代表性的买方事务、司法管辖区覆盖、盲法专业评分、失败分类和可复现的任务级结果
引用使输出更可靠	公司事实性指标检查所引用来源是否支持提取出的主张	缺失权威测试、错误但有来源支持的主张、引用完整性、来源新鲜度和人工验证时间
所有权改善了控制和经济性	披露的模型所有权、4,000 万美元项目投入、公开的小模型权重和多模型产品路由	总拥有成本、服务测量、变更控制证据、数据流文档和合同保证

现有的 AI News 评估说明提供了一个有用基线：在把分数当作产品结论之前，先确定任务、数据、评审者，以及它与真实运行条件的匹配程度。

专业可靠性属于整个系统

法律工作提高了看似合理的错误所带来的成本，但在训练中加入法律文本并不会消除这种错误模式。一个来源可能支持某项陈述，而总体结论却遗漏了具有控制效力的权威依据。正确的规则可能被应用于错误的司法管辖区或日期。文档审查模型可以准确提取文本，而周围的工作流却可能把特权信息暴露给错误的用户。

Thomson Reuters 自己也划出了这条边界。The New Stack 报道该公司的立场：没有任何 AI 模型，包括 Thomson，都保证不会出错，最终验证仍由专业人士负责。SiliconANGLE 称，早期结果尚未得到广泛的独立验证。这些谨慎与公司的“Fiduciary-Grade”品牌并置时既显得不协调，却也很有用：这个标准是一个愿景和产品主张，不是由基准表创建的认证。

因此，对于买方来说，验收材料应将确切模型与确切工作流联系起来：

1. **版本和路由：**记录模型修订版、检索来源、工具、提示或代理策略，以及任务被路由到 Thomson 或其他模型的情况。
2. **代表性工作：**在系统实际会遇到的司法管辖区、文档类型、语言和截止期限中，使用冻结的事务或现实的合成案例进行测试。
3. **权威与引用检查：**衡量每个重要命题是否有支持，是否遗漏相反或具有控制效力的权威，以及合格审查需要多长时间。
4. **数据边界：**记录提示、上传文档、检索来源、日志和反馈的流向；谁可以访问；保留多久；以及任何路径是否用于训练。
5. **失败与恢复：**记录拒答、不受支持的答案、工具失败、路由错误、审查者覆盖、事件处理，以及首选路径不可用时经过测试的回退方案。
6. **独立审查：**要求具备足够证据、时间和权限的合格人员，在输出影响客户或事务之前拒绝该输出。

最后一项控制需要的不只是一个批准按钮。AI News 的有意义的人类审查指南（中文）展示了证据访问权、覆盖权限、记录理由和申诉路径如何将名义上的审查者变成实际的保护措施。本文是技术和产品分析，而不是法律建议；专业义务和特权规则取决于司法管辖区和用途。

开放权重带来了下一项真正的测试

Thomson-1.0-Small 给外部研究人员提供了发布时没有的东西：一个可以在新的提示、评分者、语言、司法管辖区和失败测试下运行的检查点。其限制性许可证和较小规模意味着它不是生产模型的完整代理，但独立结果现在可以测试：报告的专业化是否能在公司工具链之外继续成立。

下一步最有信息量的披露，应当把这些小模型的重跑结果与更大的系统连接起来：完整的生产模型技术报告、匹配的成本和延迟、任务级不确定性、来源覆盖失败、外部专业评分，以及发布后 Tabular Analysis 的证据。在此之前，Thomson 是领域模型开发的可信展示，也是一个有前景的评估对象，但还不能证明专有数据已经解决了法律 AI 的可靠性问题。

资料来源

1. Thomson Reuters launch announcement for Thomson
2. Thomson-1.0-Small model card and benchmark disclosures
3. Thomson Reuters account of how Thomson was built
4. Thomson Reuters early benchmark disclosure for Thomson-1-Large
5. The New Stack reports on Thomson and continued Anthropic use
6. SiliconANGLE reports on Thomson deployment and validation limits