La tesi del modello da $40m di Thomson Reuters si basa sulla sua stessa valutazione

Thomson Reuters ha lanciato "Thomson" lunedì, il suo primo large language model proprietario sviluppato internamente, costruito "a partire da una solida base open source" per un investimento dichiarato di 40 milioni di dollari in talenti e capacità di calcolo. La tesi associata al modello è che "le nostre prime valutazioni collocano Thomson al livello dei più recenti frontier model in una serie di compiti."

Cosa sbaglia l’inquadramento convenzionale

"Thomson Reuters ha costruito un frontier model con 40 milioni di dollari" contiene tre errori distinti. Primo, non ha costruito un frontier model. Ha post-addestrato un base model open-weights non identificato, quindi i 40 milioni coprono il delta — il costo di training del foundation model, quasi certamente a nove cifre e di qualcun altro, è escluso del tutto dal confronto. Secondo, la tesi della parità con i frontier è una valutazione interna preliminare dell’azienda stessa, espressa in prima persona, senza benchmark nominato, senza numeri pubblicati e senza alcuna valutazione di terze parti citata nel comunicato. Terzo, non è ancora in distribuzione. Il primo rilascio riguarda una sola funzione — Tabular Analysis — all’interno di un solo prodotto, CoCounsel Legal, in un "prossimo rilascio" non specificato. Quello scaricabile oggi è una versione "piccola" su Hugging Face, limitata all’uso accademico e non commerciale. Il modello principale non è open-weights.

Il numero da rileggere due volte

Thomson "è stato addestrato su meno del 10% dei contenuti di Thomson Reuters finora." Il comunicato presenta questo dato come margine di crescita, e lo è. È anche un’ammissione che il data moat — l’intera premessa strategica — è per lo più inesplorato, e che il modello usato per il confronto con i frontier non è stato testato sul corpus che dovrebbe renderlo speciale.

Perché l’economia conta più dell’affermazione

Questo è finora il dato più chiaro sulla via d’uscita rappresentata dagli open-weights. Se un incumbent di settore può prendere una base open, spendere 40 milioni di dollari in talenti e calcolo e arrivare a distanza di discussione dai frontier model nel proprio verticale, allora si indebolisce il caso per pagare le tariffe API dei frontier per il lavoro di dominio — e, dal punto di vista dei laboratori, si indebolisce anche il caso per rendere open-weights qualsiasi cosa. Questo argomento è attuale proprio adesso: la notizia arriva settimane dopo che Meta ha reso open-weights Muse Glimmer e un mese dopo il position paper di Mistral sugli open-weights.

Cosa servirebbe per chiuderla

Un base model nominato, un benchmark nominato e un numero. Finché Thomson Reuters non pubblica uno di questi tre elementi, "al livello dei frontier model" è un’affermazione su un modello che nessuno al di fuori dell’azienda ha misurato.