Thomson Reuters инвестировала 40 млн долларов в собственную модель уровня фронтир-класса
Медиа-гигант с капитализацией более 80 млрд долларов и 24 тысячами сотрудников по всему миру отказался от облачных решений и создал собственную систему искусственного интеллекта.
Компания набрала команду из 30 специалистов, использовала 368 GPU B200 и за три месяца выпустила модель Thomson-1.0. Основу составили открытые чекпойнты Qwen3.5-397B (MoE с 17 млрд активных параметров) и Qwen3.6-35B.
Модели получили названия Thomson-1.0-Large и Thomson-1.0-Small. Стоимость дообучения Large версии составила менее 450 тысяч долларов, а весь проект обошёлся в 40 млн долларов, значительную часть которых ушли на инфраструктуру и исследования.
По агрегированным тестам Thomson Large показала 78.5%, обогнав Claude Sonnet 5 (75.7%). Лидерство удерживал Claude Opus 4.8 с 79.5%.
Как работала система "фабрика моделей"
Разработка включала три последовательных этапа. На первом модель переучивали под корпоративные ценности: сначала удаляли нежелательное поведение прямой правкой весов, затем закрепляли через LoRA-адаптацию.
Второй этап — промежуточное обучение на 200 млрд токенов из закрытого корпуса компании, что составляло менее 2% от исходных 19 трлн. Остальные данные отбросили.
Финальный этап включал обучение агента глубокого исследования с собственным набором инструментов организации с помощью DPO и RL. Отдельного обучения с учителем не проводили, чтобы не потерять общие способности модели.
Важный момент — после промежуточного обучения проводилось слияние весов с исходным чекпойнтом. Этот приём оказался эффективнее регуляризации через LoRA, пониженный learning rate или короткие расписания.
Сравнение с имаго-подходом: масштабирование принципов
Thomson Reuters применила тот же принцип "модель как часть организации". Их система повторяла три слоя: ценности, знания и навыки. LoRA использовалась только на начальном этапе адаптации, затем следовало слияние весов и финальная полировка.
Компания последовательно отбирала данные: использовала проприетарные документы, их синтетические пересказы в форме уроков и реплеи против забывания. Принцип "данные важнее объёма" работал на максимальной мощности.
В отличие от кодирования, где навыки написания кода слегка пострадали, модель значительно улучшила работу с длинным контекстом и агентные задачи. Это подтверждает, что подход масштабируется от малого бизнеса до крупных корпораций.
Что это значит для крупных компаний
Thomson Reuters доказала, что создание собственной модели уровня фронтир-класса стало реальной опцией за разумные для корпорации деньги. Вместо постоянной аренды облачных решений компании могут владеть своей системой полностью.
Для крупных организаций с собственным кодом, данными и возможностью собрать датасет полные веса после начальной адаптации становятся выгодной альтернативой. Главное — начинать с датасета организации: он переживёт любую базовую модель.