Thomson Reuters用4000萬美元訓練法律模型，大模型拼算力，行業模型拼數據權
Thomson Reuters發佈自研大語言模型Thomson，基於開源基礎模型，投入約4,000萬美元完成兩年訓練與開發；公司稱每次訓練運行成本約45萬美元，資金主要用於人才與計算資源。
模型使用Westlaw、Practical Law、Checkpoint及Reuters的多年專業內容訓練，並由數百名法律、稅務和監管領域專家參與設定訓練目標和評估標準。Westlaw覆蓋逾4萬數據庫，積累超過150年法律出版與編輯整理內容；但Thomson Reuters稱，目前用於訓練的自有內容不足其總內容庫的10%。
公司稱Thomson在PrBench Legal Hard基準上得分0.352，超過其測試的其他前沿模型。該結果主要來自公司自身公開的評測，Thomson Reuters已向法律及AI學者開放模型進行外部測試，併發布小型開放權重版本供學術和非商業用途驗證，因此其真實生產表現仍待獨立評估。
Thomson的首個生產場景是CoCounsel Legal中的Tabular Analysis，用於高容量、結構化文檔審查。該工具可針對最多10,000份文件同時回答最多100個問題，並將每個答案回溯至原始資料；目前並非通用型法律代理，也不是自動撰寫訴狀、代表客戶出庭或獨立承擔法律意見責任的系統。
Thomson Reuters明確表示，模型不使用客戶私有文件訓練，且不作爲獨立模型對外銷售。CoCounsel Legal維持多模型架構：在Thomson擅長的工作流使用自研模型，在其他場景繼續調用外部領先模型。
市場機制上，Thomson Reuters把長期積累的編輯版權內容、專家標註和法律工作流轉化爲模型能力，再通過CoCounsel訂閱和Westlaw生態變現。大型律所和企業法務部門可能以更低成本完成盡調、合同審閱和證據梳理；依賴初級律師按小時進行文件篩選的業務將承壓，但複雜法律判斷、客戶溝通、策略制定、出庭代理及最終職業責任仍由律師承擔。
來源：公開信息
ABAB AI 解讀
Thomson Reuters的優勢不是從零訓練出更大模型，而是擁有可合法調用的專業數據資產。Westlaw長期通過案例法、法規、判例引注、編輯註釋及檢索體系建立法律研究入口；Practical Law和Checkpoint又分別覆蓋實務與稅務工作流。它借開源基礎模型承接通用語言能力，再以專有內容、專家反饋與工具使用訓練補足專業推理，避開了與OpenAI、Anthropic在通用算力規模上硬碰硬的資本消耗。
資本路徑上，4,000萬美元不是“用一名初級律師的薪水替代整個法律行業”，而是一次將內容庫升級爲AI產品層的固定投入。模型先嵌入既有CoCounsel和Westlaw分發體系，向已有律所和企業法務客戶交叉銷售；每增加一位用戶的邊際成本主要是推理、檢索和支持，而非重新僱傭文檔審閱團隊。最先被壓縮的，是可標準化、可追溯、量大且重複的e-discovery、合同抽取和盡調任務。
歷史上，Westlaw和LexisNexis曾通過電子檢索減少律師手工翻閱紙質判例的時間；電子取證平臺又將海量郵件和文件篩選流程軟件化。Thomson的差別是把檢索、閱讀、比對、分類和表格輸出合併進Agent式工作流。法律行業過去每次效率工具升級，都未讓律師整體消失，而是提高單位律師可覆蓋的文件規模，並把初級崗位工作從機械檢索轉向複覈、事實判斷與客戶交付。
本質屬於技術替代。最先被替代的不是律師身份，而是文檔審閱、信息定位、條款比對和表格化整理等可被明確驗收的工時。變化發生的機制是專業數據擁有者同時控制語料版權、專家驗證、產品分發和用戶工作流；通用模型可複製語言能力，卻無法輕易複製150年編輯體系、機構客戶信任與法律內容授權。下一批擁有同等條件的行業，可能來自醫學出版、會計稅務、工程標準和金融數據服務。
ABAB News · 認知定律
大模型拼算力，行業模型拼數據權
專業數據一旦可訓練，就會重估人力價格
AI先替代工時，隨後重寫組織結構