汤森路透 8 月 24 日宣布推出 Thomson，公司第一个完全自有自控的大模型。做法是从一个开源底座出发，用 mid-training 和 post-training 技术接着训，训练投入 4000 万美元，含人才和算力。公司拿这个数字对比前沿实验室通常的数十亿美元开销。
语料来自 Westlaw、Practical Law、Checkpoint 和路透社几十年积累的专有内容，数百名领域专家从训练目标设计一直参与到最终评估。有一个数字写得比较克制，迄今只用了不到 10% 的自有内容存量。
第一个落地场景是 CoCounsel Legal 里的 Tabular Analysis，用于大批量结构化文档审阅，将在后续版本推给律所和企业法务。CoCounsel Legal 保持多模型策略，别家模型在哪块更强就继续用哪家，后面会向法律和税务产品线铺开。
治理承诺列了几条，不经明确同意不拿客户数据训练，并按公司自定的 Fiduciary-Grade AI 标准构建。一个小尺寸的开源权重版本已经放上 Hugging Face，供学术和非商业用途，法律与 AI 学者拿到了发布前访问权。
CTO Joel Hron 说行业多年来把规模当作答案，更大的模型、更多算力、更多钱，而这套做法改变了专业 AI 的经济账。华盛顿大学法学院的 Jonathan H. Choi 用公司税课程的难题对比了 ChatGPT、Claude 和 Thomson，三者答案都对，他总体更偏好 Thomson 的回答，理由是给了专著链接。皇后大学的 Samuel Dahan 在加拿大雇佣法问题上认为其引用质量与领先的前沿模型大体相当。
公告全文没有任何具体基准分数，只说改善了指令遵循和对密集专业材料的处理，评测细节被推给了底座模型的技术报告。