Топовую модель теперь собирают поверх чужих открытых весов: финальное обучение Thomson стоило $450 000

Разрыв между числами и есть новость: самая умная модель в своей отрасли собирается не с нуля, а поверх чужих открытых весов. Главные деньги уходят в данные и людей, а не в вычисления финального прогона.

Родословная открытая. Флагман вырос из открытой Qwen3.5-397B от Alibaba. Промежуточную версию Snowdon компания дообучала на безопасность и политическую нейтральность вместе с Imperial College. Малая версия построена так же, поверх Qwen3.6-35B-A3B через чекпоинт Snowdon1.1-Small.

Где выигрывает, где нет. На Stanford LegalBench Thomson набирает 0.823, у Gemini 3.1 Pro 0.843. На агентском Harvey Legal Agent разрыв обратный: 0.857 против 0.555.

В Deep Research с одним лишь доступом в веб модель проигрывает GPT-5.4, 0.53 против 0.65. С доступом к собственному контенту компании она выходит вперёд: 0.83 против 0.82.

Малую версию можно взять себе. Thomson-1.0-Small лежит на Hugging Face открытыми весами: MoE на 35B параметров, из них активны 3B, окно 262 144 токена, BF16. Обучение съело 35 207 GPU-часов на B200.

Запуск в две команды: pip install vllm, затем vllm serve "thomsonreuters/Thomson-1.0-Small". Через transformers поднимается обычным AutoModelForCausalLM.from_pretrained. Лицензия polyform-strict оставляет только некоммерческое и академическое использование, в продукт модель не поставишь.

Своя модель не выгоняет чужие. CoCounsel Legal остаётся мультимодельным и зовёт Thomson там, где тот выигрывает. В мае 2026 компания подключила к CoCounsel Claude через MCP для более чем 1 млн юристов в 107 странах. Первым боевым применением станет функция Tabular Analysis в ближайшем релизе CoCounsel Legal.