汤森路透花4000万美元自建AI，不租用OpenAI或Anthropic

Thomson Reuters 推出自研语言模型“Thomson”，基于阿里巴巴的 Qwen 构建，两年投入约4000万美元，而非租用 OpenAI 或 Anthropic 的模型。CTO Joel Hron 表示，关键在于知道哪些智能需要拥有。基准测试显示，模型在结合自有内容（如 Westlaw）时表现最佳。

大型企业不再满足于租用通用大模型，而是投入巨资自建垂直模型，尤其是基于开源模型微调，以降低长期成本并深度整合自有数据。这表明企业AI战略正从“租用”转向“拥有”，可能改变AI服务市场的格局。

企业自建模型可避免按调用付费的持续成本，并通过对开源模型（如Qwen）微调，将专有数据（如Westlaw内容）融入模型，提升垂直领域准确性。拥有模型意味着可控性、数据安全性和定制化能力增强。

自研模型将深度集成到Westlaw等产品中，提升法律、金融领域的搜索与问答质量。研发上需组建AI团队并持续微调，成本包含硬件、人才等。用户可能获得更精准的结果，但产品上市周期可能拉长。

• 针对法律、金融等垂直行业，推出基于自研模型的高精度问答工具，可结合行业知识库。
• 将自研模型能力通过API开放给企业客户，提供定制化AI解决方案。
• 开发面向同行的模型微调咨询服务，分享自建AI的成本与收益经验。
• 利用Westlaw等数据优势，推出差异化AI产品，与通用模型竞争。

• 自研模型在未结合自有内容时表现如何？证据未给出独立基准。
• 4000万美元的成本具体包含哪些部分？是否涵盖长期维护？
• 该模型是否已投入生产？其实际性能与商业回报未披露。
• 基于Qwen的自研模型与OpenAI或Anthropic的产品相比，具体优劣势何在？