A alegação do modelo de $40m da Thomson Reuters se apoia na própria avaliação

A Thomson Reuters lançou "Thomson" na segunda-feira, seu primeiro large language model proprietário desenvolvido internamente, construído "a partir de uma base open-source robusta" para um custo declarado de US$ 40 milhões em talentos e computação. A alegação associada a ele é que "nossas avaliações iniciais colocam o Thomson no mesmo nível dos mais recentes frontier models em uma variedade de tarefas."

O que a leitura convencional erra

"A Thomson Reuters construiu um frontier model por US$ 40 milhões" contém três erros distintos. Primeiro, ela não construiu um frontier model. Ela fez o post-training de uma base open-weights não identificada, de modo que os US$ 40 milhões cobrem o delta — o custo de treinamento do próprio foundation model, quase certamente na casa das centenas de milhões e de outra empresa, fica totalmente fora da comparação. Segundo, a alegação de paridade com frontier é a própria avaliação interna inicial da empresa, feita na primeira pessoa, sem benchmark nomeado, sem números publicados e sem nenhuma avaliação de terceiros citada no comunicado. Terceiro, não está sendo distribuído. A primeira implementação é um recurso — Tabular Analysis — dentro de um único produto, o CoCounsel Legal, em uma "próxima versão" não especificada. O que pode ser baixado hoje é uma versão "small" no Hugging Face restrita a uso acadêmico e não comercial. O modelo principal não é open-weight.

O número que vale reler

Thomson "foi treinado em menos de 10% do conteúdo da Thomson Reuters até agora." O comunicado apresenta isso como folga, e é. É também uma admissão de que o fosso de dados — a premissa estratégica inteira — permanece em grande parte inexplorado, e de que o modelo que faz a comparação com frontier não foi testado contra o corpus que deveria torná-lo especial.

Por que a economia importa mais do que a alegação

Este é o dado mais claro até agora sobre a saída de emergência dos open-weights. Se uma incumbente de um setor pode pegar uma base open, gastar US$ 40 milhões em talentos e computação e chegar perto, com argumentos plausíveis, dos frontier models em sua vertical, então enfraquece o caso de pagar tarifas de API de frontier para trabalho de domínio — e, do ponto de vista dos laboratórios, também o caso de tornar qualquer coisa open-weight. Esse argumento está vivo agora: isso chega semanas depois de a Meta ter aberto os weights de Muse Glimmer e um mês após o paper de posicionamento da Mistral sobre open-weights.

O que resolveria a questão

Um modelo base nomeado, um benchmark nomeado e um número. Até a Thomson Reuters publicar qualquer um dos três, "no nível dos frontier models" é uma afirmação sobre um modelo que ninguém fora da empresa mediu.