タウンセンドは8月24日、同社初の自主開発大型言語モデル「トムソン」の発売を発表しました。 ゼロトレーニングの一般的な基本モデルとは異なり、Thomson はオープン ソースの基本的なモデルを出発点として使用し、中長期的なトレーニング、ポスト トレーニング、専門コンテンツ、フィールドの専門家の関与を通じて、法的、税務、専門的作業に必要な能力にモデルを指示します。 同社は、才能とnumeracyを含む訓練で40万ドルを投資し、現在トレーニングのために使用したTownsend Reutersコンテンツが合計コンテンツの10パーセント未満であったことを開示しました。

この出版物の最も注目すべき点は「大きなモデル」の名称に加えではなく、コンテンツ企業がそのコアアセットにモデル自体を組み込むようになったという事実です。 Townsend Roadは、Westlaw、 Practice Law、Checkpointをサードパーティモデルにリンクしています。これにより、モデルのトレーニング、運用およびデプロイメントパスを保有および制御できるようになりました。 同社は、Thomsonの推論コストは、典型的なフロントラインモデルよりも大幅に低下し、「どこで、顧客データがトレーニングのために使用されるか」をモデルの社会的な質問として答えていると述べています。 これらの費用と容量の判断, しかしながら, 主に企業の開示から派生し、直接独立したベースラインの結論を考慮することができません.

同じチェーンの移動にデータ、評価、専門家を置く専門化されたルート!

トムソン ' s の差別は訓練材料およびプロセスから最初に来ます。 タウンセンドによると、モデルのトレーニングは、ウェストロー、プラクティス・ロー、チェックポイント、ロイターによって蓄積された専門知識に基づいており、トレーニング・ターゲット・デザインから最終評価まで、何百もの分野の専門家が関与しています。 法定・税理士の場合には、その答えは言語のみです。 また、有効な管轄区域、バージョンの時間、規定のレベル、参照のソースおよび例外をアドレスします。 推論段階で情報の一部だけを取得することは、必ずしも一般的なモデルが安定したプロミッションのパフォーマンス習慣を開発することを可能にするものではありません。中的および後的試みは、この習慣をモデル行動に組み込むことを試みます。

同社が公表した早期評価では、Thomson は、複雑なマルチステップの指示、集中的および専門的材料のナビゲーションと参照品質向上に重点を置いた、さまざまなタスクのための最新のフロントラインモデルに一致できることを示しました。 しかし、公正なプレスリリースは、テスト、サンプルサイズ、スコアラーの一貫性、または完全に再現するのに十分なエラーの配布のフルセットを与えるものではありません。そのため、「フロントレベル」は、すべての専門タスクをカバーする一般的な結論ではなく、タウンゼンドの早期評価として理解されるべきです。 当社は、今後数ヶ月で外部検証を継続し続けていくために、法律やAIの学者を直接評価したいと考えています。

Thomson のより小さいバージョンは、ハッギング フェイスの開いた重量の形で学術的および非商用の使用を制限することができます。 これは、外部の研究者がモデルの基本的な機能とタイプのエラーを観察するのに役立ちますが、小さなバージョンは、製品内の完全なモデルと必ずしも等しくありません。また、CoCounselワークフロー、検索ツール、アクセスシステム、最終出力の全体的な監査の代わりに使用されます。 高度に責任ある業界のために、モデル重量はシステムの一部であり、情報バージョン、引用、マニュアルレビュー、顧客のデータ境界は、リスクを均等に判断します。

第一次着陸は制限され、マルチモデル戦略は除外されません

Thomson ' s 最初の製品先は、CoCounsel の Tabular Analysis で、大量の構造化されたドキュメントレビューが作成されます。 タウンセンドは、この能力は、準拠版の法律事務所やビジネス法務部門に利用できることを述べています。 この言葉は、出版が行われたことを意味していますが、製品固有の容量はバージョンで進行的に開いており、すべてのクライアントが完全に使用されているように記述することはできません。 また、Thomson を法的および税務製品に拡張し、追加の sovereign AI オプションを提供する予定ですが、完全なタイムテーブルを公開しませんでした。

CoCounselがまだ明示的にマルチモデル設計を使用していることを強調する価値があります:それはThomsonの最も明確な使命に呼び出され、他のミッションで主要な外部モデルを使用し続けることです。 これは、 "自己学習モデルの1つのサイズの代替よりも実際のパスに近いです。" プロのソフトウェアメーカーは、一般的なモデルのパントと迅速な反復能力を維持しながら、自分のモデルに機密で、duplicative、データ集中的なタスクを置くことができます。 モデルパス、失敗リトリート、結果の検証は、総スコアの比較ではなく、製品の競争力になります。

ビジネスバイヤーにとって、自己所有のモデルは、より高い精度と同じレベルの制御を提供していません。 質問は、トレーニングのコンテンツが適切に使用する権利を持っているかどうか、クライアントがデフォルトでトレーニングに入るかどうか、クライアントがテストに戻るためにモデルが更新されるか、そして誰が誤った答えをレビューするかどうか、正しい元の言語に戻すことができます。 クライアントデータは、重要な境界であった明示的な同意なしにトレーニングのために使用されないと主張した。その実用的な効果は、契約条件、システム設計およびフォローアップ監査によって検証する必要があります。

トムソンは、無限の拡張ジェネリックモデルから異なるルートを示しています。成熟したベースモデルから、専門的利益は排他的なコンテンツ、専門家の評価、特定の製品プロセスから得られます。 ヘッドジェネリックモデルの相対的な大資本コストに投資する4億ドルはさらに小さくなりますが、他の企業が単純に複製できないコンテンツの蓄積と業界チャンネルの数十年に依存しています。 外部評価が早期結果を検証するかどうか、オープン重量バージョンがどれだけ透明になるか、Thomson が実際の法律や課税のエラーを引き続き減らす必要があるかどうかは、単にプレゼンテーションを改善します。

ソース:Thomson Reuters、Thomson Reutersは、独自のフロンティアモデル、24 8月2026、https://www.thomsonreuters.com/en/press-release/2026/aucust/thomson-reuters-leverages-its-world-class-data-assets-to-launch-down-down-frontier-modelsをLeverages-