Thomson LLM 深度解析：4,000 萬美元買到法律 AI 主權了嗎？（2026）

2026 年 8 月 24 日，Thomson Reuters 在官網發布新聞稿〈Thomson Reuters Leverages its World-Class Data Assets to Launch Its Own Frontier Model〉，正式推出首個自有的 Thomson LLM：它不是從零預訓練，而是以 open-weight 模型為起點，再用 Westlaw、Practical Law、Checkpoint 與 Reuters 的部分內容做中期與後期訓練。

公司把這項計畫描述成一條比「模型越大越好」更便宜、也更可控的路。這個方向確實重要；但 4,000 萬美元、不到 10% 的自有內容、與 frontier 模型競爭、AI 主權，分別是四種不同的主張，不能被一個漂亮總分揉成同一件事。

以下先還原 Thomson Reuters 真正做了什麼，再拆開模型評測與完整系統評測，最後判斷這場發布對法律 AI、內容平台與企業自建模型意味著什麼。

Thomson LLM 到底發布了什麼？

這次其實同時出現了三個不同層次的產品：

• Thomson-1.0-Large：以 Qwen3.5-397B-A17B 為底座，經過 Thomson Reuters 的 continual learning 流程。這是公司拿來談 frontier 競爭力與商用部署的主角。
• Thomson-1.0-Small：以 Qwen3.6-35B-A3B 為架構，共 350 億參數、每次推理啟用約 30 億參數。模型權重已放上 Hugging Face，採 PolyForm Strict 1.0.0，定位為學術與非商業用途。
• CoCounsel 裡的完整系統：第一個部署點是 CoCounsel Legal 的 Tabular Analysis，可對最多 10,000 份文件同時提出最多 100 個問題。CoCounsel 仍採多模型設計，Thomson 只在公司認為有優勢的工作上出場。

“Thomson shows there is another path.”

中文：Thomson 顯示，還有另一條路。

Joel Hron，Thomson Reuters 技術長

這句話準確抓住新聞稿的精神：不要再把每一項專業工作都交給通用模型，而是取得一個夠強的開放權重底座，將資金用在資料挑選、專家回饋、評測與產品整合上。可是「另一條路」不是用 4,000 萬美元從空白開始造出另一個 GPT，而是站在外部底座上，把專業能力往前推。

“The model has been trained on less than 10% of Thomson Reuters content so far.”

中文：到目前為止，模型使用的 Thomson Reuters 內容還不到全部的 10%。

Thomson Reuters 新聞稿

「不到 10%」是公司對自有內容覆蓋範圍的描述，不代表 200B 訓練 token 中有 10% 來自 Westlaw，也不是未來把剩餘 90% 全塞進去就會線性進步。技術報告揭露的 mid-training 配方，是約三等份的自有文件、由這些文件生成的合成改寫，以及維持通用能力的 replay data；真正困難的是挑對資料與混合比例。

4,000 萬美元不是一次訓練費

121 頁技術報告把最容易被標題誤讀的成本拆開了：

口徑	Thomson Reuters 公開數字	它真正包含什麼
整體開發成本	約 4,000 萬美元	員工、運算、領域專家報酬、供應商合作，以及可重用的研究、基礎設施與多輪實驗；期間明顯長於最後三個月
目前這一代流程	約 3 個月	從第一次 Qwen3.5-397B 實驗起算，涵蓋資料整理、中後期訓練、評測、人類測試與安全研究
Large 最終訓練 run	GPU 成本估計低於 45 萬美元	約 3 週的最後訓練，不含前面失敗的實驗、人力、資料與平台成本
開發資源上限	不超過 36 名工程師與科學家、任一時點不超過 368 張 B200	說明專業機構可負擔的規模，不等於每家公司複製時只需付最後一次 GPU 帳單

因此，正確結論不是「frontier model 只要 45 萬美元就能做」，而是：當一個強大的 open-weight checkpoint 已經存在，continued training 的最後一段運算可能遠低於從零預訓練；但把資料、人才、評測與基礎設施變成一條可重跑的生產線，仍然是數千萬美元級的組織工程。

技術路線：把 19T token 削到 200B

Thomson LLM 的關鍵詞是 continual learning，不只是一般人熟悉的小型 fine-tuning。團隊先做價值重新對齊，再進行 continual pre-training，最後加上 preference optimization 與 reinforcement learning；Large 採 full-weight updates，目標是一邊注入法律、稅務與新聞能力，一邊避免 domain adaptation 常見的 catastrophic forgetting。

mid-training 候選池超過 19T token，最後留下 200B，等於裁掉 98% 以上。自有原始資料包括新聞、合約、監管文件、判例、法規與實務指引；公司與 DatologyAI 再做權利檢查、去重、品質排序、任務分布匹配與合成改寫。這裡真正稀缺的並不是「有很多 PDF」，而是知道哪些內容有權使用、哪些會改善目標任務、哪些必須用通用資料回放來抵銷遺忘。

新聞稿多次使用 open-source，但技術報告與模型卡採用更精確的 open-weight。兩者不能互換：Thomson 可以取得並修改 Qwen 權重，不代表原始預訓練資料、完整訓練程式與整條供應鏈都開放；Thomson-1.0-Small 自己也不是可任意商用的寬鬆開源授權。

“Sovereignty here is a spectrum rather than a threshold.”

中文：這裡的主權是一條光譜，而不是一道跨過就完成的門檻。

《Thomson: Continual Learning of Frontier Models for SovereignAI》

這是整份報告最誠實的一句。Thomson Reuters 控制更多模型權重、訓練流程、推理平台與資料邊界，卻仍依賴 Qwen 起始權重、GPU 供應，以及 Imperial College London、DatologyAI、Lambda 等合作夥伴。它向主權前進了，不是抵達完全獨立。

評測很強，但要先拆成三張成績單

Thomson Reuters 的宣傳圖把法律與通用 benchmark 放在同一張表，視覺上很容易得出「Thomson 贏過 frontier」的印象；實際讀數卻更有意思：它在某些工作領先，在另一些工作落後，而且模型、工具與內容權限會改變比較的意義。

第一張：底層模型的公開 benchmark

在技術報告的七個公開法律 benchmark 中，Thomson-1.0-Large 相較 Qwen3.5-397B 底座改善六個，平均分從 63.2 上升到 69.6。這能支持「專業化訓練帶來可測提升」，卻不能支持「全面最強」：

• PRBench Hard：Thomson 31.6，略高於 Opus 4.8 的 31.5。
• Stanford LegalBench：Thomson 82.3，低於 Gemini 3.1 Pro 的 84.3。
• LEXam：Thomson 82.9，低於 Opus 4.8 的 93.9。
• Harvey Legal Agent Benchmark：Thomson 85.7，低於 Opus 4.8 的 86.9。
• Terminal-Bench 2.1：底座 54.0，Thomson 反而降到 48.3；報告也把它列為最明顯的能力退步。

這些分數來自 Thomson Reuters 執行、撰寫的技術報告。團隊努力統一 harness、提示與 grading，但封閉模型只能透過供應商 endpoint 存取，報告也承認無法排除 provider-side routing、system prompt 與其他不可見差異。這是一份細節很多的 vendor technical report，不是第三方實驗室的獨立複驗。

第二張：模型放進 Deep Research harness

Deep Research 評測包含 53 題法律、48 題稅務，以及 100 題合成的新聞研究題。長報告由多個維度評分，整體分數約由完整性 40%、事實性 35%、相關性 20%、一致性 5% 組成；LLM judge 原則上使用 GPT-4.1，並以人類專家樣本校準。

圖上 Thomson 系統的法律事實性為 0.83、完整性為 0.87，明顯高於圖中的 GPT 5.4＋web 與 Sonnet 5＋web 組合。可是同一份報告更完整的模型表顯示，法律事實性上 Qwen 底座為 0.85、Opus 4.8 為 0.86；完整性則 Thomson 0.87、Qwen 0.82、Opus 0.89。合理讀法是：Thomson 的優勢集中在把模型、專有資料與檢索工具組成一個更完整的專業系統，而不是每個底層能力都贏。

第三張：35 位律師編輯評完整系統

人類偏好研究由 35 位 attorney editors 執行，共 3,035 個任務，其中 2,009 題法律、1,026 題通用。回答會匿名、左右隨機呈現；但這仍是 Thomson Reuters 組織、撰寫的內部研究，題目也由評估者依自己的工作分布撰寫。更重要的是，Thomson 可用法律專用工具與 Reuters 搜尋，GPT、Claude 則用各自的 web search。技術報告很清楚地把它定義為 system comparison，不是 foundation model comparison。

這個設計並不「不公平」；它回答的是另一個商業問題：當每家公司都把自己最好的模型、資料與工具放上場時，誰能交付更好的結果？只是它不能被重新包裝成「Thomson 裸模型比所有通用模型聰明」。

真正的護城河，是可用的資料與評測工廠

如果只看參數，Thomson Reuters 並沒有創造一種全新架構。真正難複製的是另一組資產：有權拿來訓練的專業內容、能說明「好答案少了什麼」的專家 rubric、把 citations 逐項核對的評測流程，以及能在工作流中決定何時呼叫哪個模型的產品層。

這也是為什麼「Less than 10%」同時是技術訊號與投資人敘事。它暗示 Westlaw 等內容還有未開發空間，但內容量本身不會自動變成模型優勢。每加入一批資料，都要回答三個問題：是否有使用權？是否真的改善目標任務？是否破壞原本的通用能力？能持續回答這三題的組織，才真正擁有 model factory。

Thomson 也不是孤例。就在 2026 年 8 月 20 日，法律 AI 公司 Harvey 公開了以 Kimi K3 為底座、與 Fireworks 合作 post-training 的 Harvey Tenet research preview。兩家公司相隔四天做出相似選擇，提供一個產業訊號：至少頭部法律 AI 業者正從「替通用模型接上 RAG」，走向「同時控制模型、harness、專業資料與客戶工作記憶」。這更像一場產業結構轉移，而不是單一發布會的勝負。

法律 AI 的真正壓力測試還在產品裡

法律工作不是只要 benchmark 多兩分。錯一個 jurisdiction、漏一條有效日期、引用一個不存在的判例，都可能讓看似完整的答案失去價值。2024 年 Stanford RegLab 等研究者在預先註冊的法律研究工具評測中，發現當時的 Westlaw AI-Assisted Research、Ask Practical Law AI 與 Lexis+ AI 仍會出現 17%～33% 的 hallucination。

那份研究測的是早於 Thomson 兩年的舊產品，不能把 17%～33% 直接貼到新模型身上；它提供的是一張待重跑的考卷。Thomson 進入 CoCounsel 後，真正該公開的是同類型的產品層錯誤：引證是否存在、內容是否支持主張、關鍵例外是否遺漏、不同司法管轄區是否混用，以及使用者能否沿著來源迅速修正。Tabular Analysis 的可追溯答案是必要設計，仍需真實失敗率來證明效果。

三個不能從這次發布直接推導的結論

1.「4,000 萬美元就能取代 frontier lab」

Thomson Reuters 避開了最昂貴的從零預訓練，因為 Qwen 已經替它承擔底座成本。它證明的是強 open-weight 生態改寫了專業模型的進場門檻，不是基礎模型研發突然只剩 4,000 萬美元。

2.「用自有資料訓練，就完成 AI 主權」

控制權確實增加了：公司可以決定訓練節奏、部署位置、資料邊界與模型路線。但底座、加速器與合作夥伴仍是依賴點；真正可靠的主權設計，應包含可替換底座、可遷移推理環境、資料 lineage、獨立 eval，以及模型出錯時的 fallback。主權是降低單一供應商的綁定，不是把所有外部依賴假裝消失。

3.「外部學者已證明 frontier parity」

新聞稿說已讓一批法律與 AI 學者直接測試，並引述幾位學者的正面觀察；這是外部使用訊號，不是完整、同行審查、可重現的獨立評測。截至 2026 年 8 月 25 日，可公開檢查的主要證據仍是公司技術報告與模型卡。好消息是 Small 權重已公開，第三方開始有機會重跑；商用 Large 則依產品頁說明，現階段沒有獨立定價或單獨販售，客戶首先會在 CoCounsel 內接觸它。

我同意什麼，我存疑什麼

判讀	理由
同意：專業化訓練已產生真實訊號	相較同一個 Qwen 底座，Large 在七個公開法律 benchmark 中改善六個；這比只拿總分對外部模型更有說服力。
同意：資料存取能拉開完整系統差距	法律研究的價值來自權威來源、檢索與引證，而不只參數內記憶。完整系統比較正好測到這個優勢。
同意：專業模型的經濟學已改變	一旦強大 open-weight 底座可取得，企業可以把主要預算轉向資料、評測與產品，而不必支付從零預訓練的成本。
存疑：把競爭力寫成普遍 frontier parity	Thomson 並非逐項領先；部分比較混合了 test-time scaling、不同 endpoint、不同工具與資料權限。
存疑：把信任當成已完成的產品屬性	公司內部 benchmark 很完整，但高風險法律工作需要獨立複驗、產品層錯誤率與上線後事件資料。

所以，Thomson LLM 最值得注意的地方，不是它是否在某張榜單把 Opus 或 GPT 擠到第二名，而是它把一個老牌內容公司的資產重新排列了：內容不再只供檢索，專家不再只寫產品，基礎設施不再只轉送外部 API；三者開始一起塑造模型。若這條路成功，未來真正有優勢的垂直 AI 公司，未必擁有最大的預訓練叢集，卻會擁有最難複製的資料權利與錯誤回饋迴路。

接下來真正值得追的三個里程碑

1. 獨立複驗：第三方是否能在固定版本、固定 harness 下重現 Small 的專業提升，並清楚區分 benchmark 分數與產品可靠度。
2. 產品對帳：CoCounsel 上線後是否公布引證錯誤、遺漏、人工覆核時間與使用者修正率，而不是只公布偏好分數。
3. 經濟對帳：每項任務的推理成本、延遲、更新頻率與多模型 routing，是否真的比持續租用 frontier API 更有優勢。

如果你正在評估企業自建模型，先不要從「要不要訓練自己的 LLM」開始。先盤點資料權利、定義最昂貴的錯誤、建立可回歸的 eval，再比較 RAG、post-training、路由與人工覆核各自解掉多少問題。Thomson 的可複製部分是這個順序；Thomson Reuters 累積百餘年的內容資產不是。