سرمایه‌گذاری ۴۰ میلیون دلاری تامسون روی مدل اختصاصی برای خروج از اجارهٔ هوش

اگر امروز برای تحلیل اسناد حقوقی به مدل‌های تجاری پول می‌دهید، باید بدانید که تامسون رویترز تصمیم گرفته است به‌جای اجاره کردن هوش مصنوعی، خانهٔ خودش را بسازد. در ۲۴ اوت ۲۰۲۶، این غول اطلاعات حرفه‌ای از مدل Thomson پرده‌برداری کرد؛ نخستین مدل زبانی درون‌سازمانی که برای مدیریت وظایف سنگین حقوقی بدون وابستگی به نقشه راه شرکت‌های ثالث یا هزینه‌های تکرارشونده طراحی شده است. برای دستیابی به این هدف، شرکت مبلغ ۴۰ میلیون دلار در بخش نیروی انسانی و توان پردازشی (Compute) سرمایه‌گذاری کرده است.

این اقدام در حالی رخ می‌دهد که بسیاری از سازمان‌ها میان قدرت مدل‌های عمومی و دقت مدل‌های تخصصی گیر کرده‌اند. همان‌طور که در تحلیل قبلی ما درباره‌ی خطاهای مدل‌هایی مانند Claude Mythos 5 اشاره کردیم، تکیه بر مدل‌های عمومی می‌تواند ریسک کاهش قابلیت اطمینان را به‌همراه داشته باشد. تامسون رویترز اکنون روی این فرضیه شرط بسته است که مالکیت کامل زنجیره — از داده‌ها تا وزن‌ها (Weights) — تنها راه دستیابی به دقت در سطح استانداردهای حرفه‌ای است.

زمینه و فرآیند توسعه

به نقل از مستندات شرکت، برای ساخت این مدل از Qwen3.5-397B متعلق به علی‌بابا به عنوان مدل بنیادی استفاده شده است. فرآیند توسعه در سه مرحله سخت‌گیرانه پیش رفت:

• همراستاسازی ایمنی: همکاری با کالج امپریال برای ایجاد نسخه‌ای به نام Snowdon که روی اخلاق، ایمنی و بی‌طرفی سیاسی بازآموزی شده است.
• آموزش تخصصی: پیش‌آموزش روی محتوای انحصاری Westlaw، Practical Law، Checkpoint و Reuters. جالب است که تا به امروز کمتر از ۱۰ درصد این محتوای عظیم برای آموزش استفاده شده است.
• اصلاح توسط خبره‌ها: صدها متخصص حقوقی از طریق یادگیری تقویتی عامل‌محور (Agentic Reinforcement Learning) در محیط‌های ابزاری داخلی شرکت، مدل را پالایش کردند.

جوئل هرون، مدیر فناوری شرکت، اشاره کرد که تیم آن‌ها در طول مسیر توسعه، نقطه شروع متن‌باز خود را تقریباً ۶ بار تغییر دادند. جاناتان شوارتز، رئیس بخش پژوهش، افزود که مهم‌ترین دستاورد، نه خودِ مدل، بلکه «کارخانه مدل‌سازی» (Model Factory) است که شرکت برای تولید آن ساخته است و اکنون زیرساختی برای تولید مدل‌های آتی فراهم کرده است.

جزئیات فنی و بنچمارک‌ها

با این حال، نتایج بنچمارک‌ها ترکیبی از پیروزی و شکست است. بر اساس گزارش داخلی شرکت، مدل Thomson در محک Stanford LegalBench با امتیاز ۰.۸۲۳، عقب‌تر از Gemini 3.1 Pro و GPT-5.5 قرار دارد. همچنین در دقت واقع‌گرایانه هنگام استفاده از دسترسی به وب، امتیاز ۰.۵۳ آن در برابر ۰.۶۵ مدل GPT 5.4 رنگ می‌بازد. در وظایف استدلالی (Reasoning) و کدنویسی نیز عملکرد مدل افت شدیدی دارد.

اما نقاط قوت مدل در حوزه‌های خاص متمرکز است:

• پیروی از دستورات: این مدل در این دسته و همچنین در محک دشوار PrBench Legal پیشتاز است.
• عامل‌های حقوقی: در محک Harvey Legal Agent، جایگاهی درست پشت سر Opus 4.8 دارد.
• برتری داده‌های انحصاری: وقتی مدل به محتوای اختصاصی شرکت دسترسی دارد، با امتیاز ۰.۸۳ از GPT 5.4 (۰.۸۲) پیشی می‌گیرد.

اندرو بین، مدیر ارزیابی، اعتراف می‌کند که Thomson با دسترسی به وب «در محدوده مدل‌های دیگر است، اما قطعاً هنوز پیشرو نیست». او این جهش عملکرد را مدیون توانایی آموزش و تمرین با ابزارهای داخلی می‌داند؛ مزیتی که ارائه‌دهندگان خارجی هرگز نمی‌توانند آن را بازسازی کنند.

از نظر تجاری، این استراتژی بیشتر شبیه خرید خانه به‌جای اجاره است. هر اصلاحی که یک متخصص روی مدل انجام می‌دهد، به داده‌ای دائمی تبدیل می‌شود که ارزش دارایی‌های بلندمدت شرکت را بالا می‌برد، در حالی که در مدل‌های اجاره‌ای، این ارزش در نزد ارائه‌دهنده تبخیر می‌شود.

از نظر هزینه، این رویکرد در کارهای حجیم مثل بررسی اسناد برنده است. تنظیم دقیق (Fine-tuning) مدل‌های پیشرو اغلب باعث تخریب قابلیت‌های عمومی می‌شود و کاربر را در تلهٔ قیمت‌گذاری استنتاج (Inference Pricing) ارائه‌دهنده می‌اندازد. هزینه ۴۰ میلیون دلاری این پروژه مربوط به بیش از دو سال کار است و رقم ۴۵۰ هزار دلاری که در برخی منابع ذکر شده، تنها هزینه آخرین دوره‌ی آموزش نسخه فعلی بوده است.

مدل Thomson اکنون در قابلیت Tabular Analysis ابزار CoCounsel Legal مستقر شده است. این سیستم همچنان چندمدلی است و به مدیران اجازه می‌دهد ارائه‌دهنده را تغییر دهند، اما Thomson وظایف خاصی مثل بررسی ارجاعات (Citation Checking) را که به بهره‌وری هزینه نیاز دارند، بر عهده می‌گیرد. شرکت تأیید کرده که داده‌های مشتریان برای آموزش استفاده نمی‌شوند.

این پرونده ثابت می‌کند که برای شرکت‌هایی با داده‌های انحصاری، صدها متخصص تمام‌وقت و معیارهای کیفی عینی، هزینه ۴۰ میلیون دلاری می‌تواند یک مدل رقابتی بسازد. برای بقیه، ساخت مدل شخصی تنها یک بار هزینه نگهداری سنگین است. هرون معتقد است مزیت رقابتی بعدی در نحوه ارکستراسیون هوش مصنوعی و تشخیص این است که کدام بخش از هوش را باید مالک آن بود.

در آینده منتظر انتشار نسخه کوچک‌تر و با وزن‌های باز (Open-weight) این مدل در Hugging Face تحت یک لایسنس غیرتجاری باشید که شامل گزارش فنی و پورتال توسعه‌دهندگان خواهد بود. هرون همچنین اشاره کرد که گفتگوهای اولیه و غیرالزام‌آوری با برخی مؤسسات حقوقی برای لایسنس مستقیم مدل در جریان است.

گام بعدی شما

• اگر صاحب داده‌های انحصاری در یک صنعت هستید، به‌جای Fine-tuning مدل‌های بسته، روی مدل‌های متن‌باز با وزن‌های باز (Open Weights) سرمایه‌گذاری کنید.
• منتظر انتشار نسخه کوچک‌تر و متن‌باز این مدل در Hugging Face باشید تا گزارش فنی آن را بررسی کنید.
• استراتژی «کارخانه مدل» را برای تولید نسخه‌های کوچک‌تر و تخصصی‌تر از مدل‌های بزرگ بررسی کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.