تامسون رویترز نخستین مدل زبانی درون‌سازمانی خود را با نام «تامسون» رونمایی کرد؛ یک مدل تخصصیِ حقوقی که روی پایهٔ متن‌باز Qwen از علی‌بابا بنا شده است. شرکت برای توسعهٔ این مدل، حدود ۴۰ میلیون دلار بابت نیروی انسانی و محاسباتی طی بیش از دو سال سرمایه‌گذاری کرده است.

سازماندهی توسعه: از Qwen تا Thomson

فرآیند ساخت «تامسون» از چند مرحله‌ی کلیدی عبور کرده است:

  • بازآموزی ایمنی و انطباق (Snowdon): در گام اول، مدل پایه Qwen برای رعایت اصول ایمنی، اخلاق و بی‌طرفی سیاسی بازآموزی شد. این نسخهٔ میانی که شرکت آن را «اسندون (Snowdon)» نامیده، بستر اصلی مدل نهایی را شکل می‌دهد.
  • پیش‌آموزش روی دارایی‌های اختصاصی: مدل با محتوای مالکیت تامسون رویترز — شامل Westlaw، Practical Law، Checkpoint و آرشیو Reuters — تغذیه شده است.
  • پس‌آموزش تخصصی و یادگیری تقویتی: کارشناسان حقوقی در حلقه بازخورد قرار گرفتند و مدل در محیط‌های ابزاریِ داخلی شرکت (Agentic RL) تمرین کرد.

نماینده شرکت اعلام کرده است تا کنون کمتر از ۱۰ درصد از محتوای در دسترس در فرآیند آموزش به کار رفته است؛ پتانسیل رشد قابل‌توجهی برای نسخه‌های آتی باقی مانده است.

تحلیل هزینه: فراتر از محاسبه محض

رقم ۴۰ میلیون دلاری شامل هزینه‌های نیروی انسانی و محاسباتی کل پروژه است؛ نه تنها هزینه‌ی دور نهایی آموزش که حدود ۴۵۰ هزار دلار برآورد شده. تامسون رویترز تأکید می‌کند که سرمایه‌ی واقعی، انباشت دهه‌ها محتوای حقوقی اختصاصی و صدها هزار ساعت کار کارشناسان حوزه است که این مدل بر بستر آن‌ها می‌نشیند.

عملکرد در بنچمارک‌ها: داده اختصاصی، تفاضل‌ساز اصلی

نتایج تست‌ها دو روی دارد:

  • بنچمارک‌های عمومی (Stanford LegalBench): «تامسون» با امتیاز ۰.۸۲۳، پشت مدل‌های مرزی همچون Gemini 3.1 Pro و GPT-5.5 قرار گرفته است.
  • ベンچمارک داخلی Deep Research (فقط وب): دقت فاکت‌محور مدل ۰.۵۳ در برابر ۰.۶۵ برای GPT-5.4 گزارش شده.
  • بنچمارک داخلی با دسترسی به محتوای اختصاصی: اینجاست که «تامسون» با امتیاز ۰.۸۳، GPT-5.4 (با امتیاز ۰.۸۲) را با حاشیه‌ای کم اما معنادار پیش می‌گیرد.

اندرو بین، سرپرست ارزیابی، بیان می‌کند: «بخشی بزرگ از این برتری ناشی از امکان آموزش روی ابزارها و تمرین با آن‌ها است —פשרیتی که ارائه‌دهندگان مدل‌های مرزی معمولاً به آن دسترسی ندارند.» با این حال شرکت می‌پذیرد که اگر GPT-5.4 هم به همین محتوای اختصاصی دسترسی داشته باشد، بهبود چشمگیری نشان می‌دهد؛ نتیجه: دسترسی به داده اختصاصی تقریباً در همان سطحِ آموزش تخصصی تاثیرگذار است.

چرا ساخت درون‌سازمانی؟ سه استدلال راهبردی

تامسون رویترز سه انگیزه‌ی اصلی برای عدم اعتماد به فاین‌تیون مدل‌های مرزی (Fine-tuning API) را تشریح می‌کند:

  1. اقتصاد مقیاس‌پذیر: مدل کوچک‌تر و درون‌سازمانی در کارهای پرحجم نظیر بازبینی اسناد، از نظر هزینه‌ بهینه‌تر از پرداخت مداوم هزینهٔ استنتاج (Inference) به ارائه‌دهندگان بزرگ است.
  2. مالکیت و کنترل داده: آموزش روی پایگاه‌های داده‌ای داخلی مانند Westlaw نیازمند دسترسی کامل به داده‌هاست؛ دارایی‌ای که شرکت حاضر نیست به شخص ثالث واگذار نماید.
  3. اثر تجمیعی داده (Data Flywheel): هر تعامل تخصصی در روند محصول، داده‌ی آموزشیِ جدید می‌شود. این چرخه بازخورد سرمایه‌ای ماندگار ایجاد می‌کند که در مدل‌های شخص ثالث، به نفع ارائه‌دهنده مدل جریان می‌یابد.

محدودیت‌های فعلی و چشم‌انداز فنی

شرکت صریحاً اعتراف می‌کند که «تامسون» در استدلال کلی و به‌ویژه کدنویسی ضعف دارد و در بنچمارک‌های عمومی عقب مانده. تیم فنی معتقدند مزیت رقابتی اصلی، خودِ مدل منفرد نیست، بلکه «کارخانه مدل‌سازی» (Model Factory) است که امکان ارتقا، تکرار سریع و سوئیچ کردن به پایه‌های نوین (مانند Qwen 3.8 در صورت انتشار) را فراهم آورده است.

تامسون رویترز هنوز مدل‌های تازه‌تر بازار را به طور کامل آزمایش نکرده و برآورد می‌کند با افزایش حجم داده‌ی آموزشی از ۱۰ درصد به سهم‌های بالاتر، و انتقال به معماری‌های پیشرفته‌تر، پیشتازی در حوزهٔ حقوقی تقویت خواهد شد.

الگویی برای صاحبان دارایی داده

استراتژی تامسون رویترز به‌ویژه برای سازمان‌هایی تکرارپذیر است که سه عنصر نادر را در اختیار دارند:

  • دارایی‌های دادهٔ اختصاصی و باکیفیت بالا
  • تیم‌های کارشناسی تمام‌وقت (Domain Experts)
  • جریان‌های کاری (Workflows) قابل کمی‌سازی و اندازه‌گیری کیفیت

برای شرکت‌هایی که فاقد این سه‌گانه‌اند، ساخت و نگهداری مدل اختصاصی اغلب بار هزینه‌ای مزمن و بی‌جهت خواهد بود.

نتیجه‌گیری: هوش مصنوعیِ ترکیبی، برنده‌ی بلندمدت

انتخاب تامسون رویترز نشان می‌دهد در فاز کنونی رقابت هوش مصنوعی، دسترسی به داده اختصاصی و توانایی هماهنگ‌سازی مدل با ابزارهای داخلی، در سطح اهمیتی با خودِ معماری مدل قرار دارد. گام بعدی برای سازمان‌ها، صرفاً ارتقای پارامترها نیست؛ بلکه طراحی معماریِ ترکیب انواع هوش (Hybrid AI) با فرایندهای کاری اصلی است — عاملی که در بلندمدت، تفاوت رقابتی واقعی را رقم می‌زند.