Thomson Reuters bouwt eigen AI-model op open Chinese gewichten

Thomson Reuters lanceert Thomson, een eigen AI-model dat is gebouwd op de open gewichten van Alibaba's Qwen en is bijgetraind op de eigen archieven van Westlaw, Practical Law, Checkpoint en Reuters. De uitgever maakte de lancering maandag bekend. Het bouwen kostte ongeveer 40 miljoen dollar over twee jaar aan mensen en rekenkracht, waarvan de laatste trainingsrun 450.000 dollar.

Daarmee krijgt de bouwen-of-huren-vraag een prijskaartje van een partij die zelf geen AI-lab is. Voor een Nederlandse organisatie die op een berg eigen materiaal zit, dossiers, contracten, jaren aan correspondentie, verschuift daarmee de vraag. Niet of je een topmodel kunt verslaan, maar of je archief zich laat omzetten in trainingssignaal dat een gehuurd model per definitie niet heeft. Thomson Reuters gebruikte daarvoor naar eigen zeggen nog geen tien procent van zijn eigen inhoud.

Wat er precies gebouwd is

Thomson komt in twee smaken. Het vlaggenschip gaat als eerste de functie Tabular Analysis in CoCounsel Legal aandrijven, het aflopen van stapels documenten langs een vaste vragenlijst. Daar wordt het het standaardmodel, al kunnen beheerders een ander model kiezen en blijft CoCounsel verder grotendeels op Claude van Anthropic draaien. Technisch directeur Joel Hron zegt dat het model taken overneemt die nu bij Claude liggen zonder de samenwerking met Anthropic te vervangen, en beschrijft de keuze als een huis kopen in plaats van huren.

Een kleinere versie staat wel open: Thomson-1.0-Small op Hugging Face, met 35 miljard parameters waarvan er 3 miljard per token actief zijn en een contextvenster van 262.144 tokens. Dat model komt volgens de modelkaart voort uit het open Qwen3.6-35B-A3B, via een tussenstap die Snowdon heet. De training verwerkte 200 miljard tokens, geselecteerd uit een bak van meer dan 19 biljoen tokens, en kostte 35.207 GPU-uren op Nvidia B200-kaarten. Klantdata zegt het bedrijf niet te hebben gebruikt.

Waar het geld terechtkomt

De benchmarktabel bij dat open model laat zien wat twee jaar specialiseren oplevert. Gemiddeld over alle domeinen komt Thomson-1.0-Small op 74,6 tegen 71,7 voor het kale Qwen-basismodel waaruit het is voortgekomen. Bijna drie punten winst, en die winst is opvallend ongelijk verdeeld.

De uitschieters zitten in werk met documenten. Op Human Queries, de set vragen zoals praktijkjuristen ze werkelijk stellen, gaat het van 82,6 naar 90,2. Op fiscaal deep research van 68,0 naar 78,6, op documentverwerking en RAG van 74,7 naar 78,8, en op de Harvey Legal Agent Benchmark van 69,5 naar 73,4.

Op klassieke kennistoetsen gebeurt het omgekeerde. Stanford LegalBench zakt licht, van 80,3 naar 79,9. De meerkeuzetoets Lexam gaat van 75,8 naar 72,2, programmeren van 39,8 naar 37,4 en meertaligheid van 73,1 naar 71,9. Het model wordt dus niet breed slimmer. Het wordt beter in opdrachten uitvoeren op materiaal dat het kent.

Die laatste daling is voor Nederlandse gebruikers geen voetnoot. Het materiaal waarop Thomson is bijgetraind is Engelstalig en Angelsaksisch recht, dus over de Nederlandse rechtspraktijk weet dit model niets extra's, en op meertaligheid levert het zelfs een fractie in.

Het vlaggenschip laat hetzelfde patroon zien, scherper. Dat model blijft op Stanford LegalBench achter bij Gemini 3.1 Pro en GPT-5.5, maar haalt op de eigen deep-research-test 0,83 zodra het bij de Thomson Reuters-inhoud kan, tegen 0,82 voor GPT-5.4. Zonder die toegang staat het er met 0,53 tegen 0,65 juist een stuk slechter voor. Daar zit het hele argument: het model op zichzelf is niet beter, de combinatie met de eigen bibliotheek is dat wel.

De licentie beperkt wat je met de open versie mag

Wie hoopt dat er nu gratis een sterk juridisch model beschikbaar komt, moet eerst de licentie lezen. Thomson-1.0-Small staat op Hugging Face onder PolyForm Strict 1.0.0. Die tekst geeft je een licentie voor elk niet-commercieel doel, maar uitdrukkelijk niet voor het verspreiden van de software of het maken van wijzigingen of afgeleide werken. Commercieel gebruik valt er dus buiten, en finetunen op je eigen data ook. Het is materiaal om te toetsen, niet om op te bouwen.

Wat wel vrij is, is de bodem eronder. Het Qwen-basismodel en het tussenmodel Snowdon staan onder Apache 2.0, en dat is precies de route die Thomson Reuters zelf nam. Het bedrijf wisselde tijdens de bouw ongeveer zes keer van open startpunt toen er betere gewichten verschenen.

De rekensom achter eigen bouwen

Van die 40 miljoen dollar ging 450.000 dollar naar de uiteindelijke trainingsrun. De rest verdween in mensen, in het samenstellen van data en in het omzetten van redactionele expertise in voorkeursdata. Dat is de eerlijke verhouding, en meteen het overdraagbare deel: de rekenkracht is te huren, de beoordeelde eigen data niet.

Dat patroon is deze maand vaker te zien. Het juridische AI-bedrijf Harvey trainde een eigen model op de open gewichten van het Chinese Kimi K3, twee maanden lang op ongeveer 150 Nvidia B300-versnellers en concludeerde hetzelfde: de sprong kwam niet uit het basismodel, maar uit juristen die dossiers en beoordelingsrubrieken schreven.

Twee Amerikaanse partijen met veel eigen juridische inhoud kozen binnen enkele dagen van elkaar hetzelfde vertrekpunt, en beide keren waren dat Chinese open gewichten. Dat is geen toeval maar een gevolg van wat er ligt: Qwen is in zes maanden meer dan 3 miljard keer gedownload en ging daarmee Meta en Google voorbij. Wie zijn eigen archief in een model wil stoppen, erft dus niet alleen een kostenstructuur maar ook een herkomst. Die twee horen in hetzelfde besluit thuis, niet in twee losse gesprekken.