趋势变化
Thomson把法律AI竞争转向数据所有权
Thomson Reuters发布自有LLM Thomson，试图用专有法律内容和模型所有权同时改善事实性与推理成本。
Thomson Reuters发布首个由公司内部开发、完全拥有和控制的LLM Thomson，显示法律AI的竞争变量正从租用最强通用模型，转向谁能把专有内容、模型控制权和推理成本放进同一系统。这个判断可被证伪：如果独立测试无法复现其领域优势，自建模型就更像昂贵的供应链替代。
优势来自模型与内容的组合
The Decoder称Thomson以Alibaba的Qwen为基础，约两年投入4000万美元；公司则确认投入包含人才与算力，并将其定位为降低典型前沿模型推理成本的自有资产。Thomson Reuters此前采用多模型策略，如今把Westlaw、Practical Law、Checkpoint和Reuters内容用于训练和检索，变化不只是更换底层LLM，而是把知识产权与执行层合并。
内部评测指向领域数据杠杆
公司在53个内部专家问题构成的法律深度研究测试中称，接入Westlaw和Practical Law的Thomson事实性得分为0.83，而可无限访问开放网络的领先前沿模型为0.65和0.68。该指标衡量主张能否由引文支撑，并不等同于答案总体正确。即便如此，结果仍提出一个可经营化假设：专有数据可能同时改善领域输出和每项任务的成本。
反证集中在封闭评测
最强反例是评测由供应商设计，数据源和产品架构并不对等。Journal of Empirical Legal Studies的一项预注册研究发现，较早的Westlaw AI-Assisted Research和Ask Practical Law AI仍有17%至33%的幻觉率。该研究没有测试新Thomson，因此不能直接否定发布结果，但说明内容所有权和引用能力并不会自动消除法律AI的可靠性风险。
接下来关注什么
下一步要看第三方能否在统一语料、相同检索权限和盲评条件下复现Thomson的优势，以及公司是否披露每项完成任务的推理成本、延迟和专业用户采用率。若独立事实性仍领先且成本下降，自有领域模型将成为信息服务公司的结构性护城河；若优势随检索条件消失，价值仍主要属于内容库。
信源
- The Decoder AI — Thomson Reuters bets $40M on owning its AI instead of renting from OpenAI or Anthropic
- Thomson Reuters — Thomson Reuters Leverages its World-Class Data Assets to Launch Its Own Frontier Model
- Thomson Reuters Institute — Thomson Reuters Built Its Own AI Model That Now Ranks Among the World’s Best
- Thomson Reuters Institute — How we built Thomson
- Journal of Empirical Legal Studies — Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools
- Thomson Reuters — Thomson-1.0-Small
- Thomson Reuters — Thomson: a purpose-built foundation model for professionals