A Thomson Reuters anunciou em 24 de agosto o Thomson, seu primeiro grande modelo de linguagem próprio. Segundo o comunicado da empresa, foram US$ 40 milhões em pessoal e computação, partindo de uma base de código aberto em vez de treinar do zero, com pré-treino sobre acervos próprios como Westlaw, Practical Law, Checkpoint e Reuters e centenas de especialistas envolvidos desde a definição dos objetivos de treino até a avaliação final. Menos de 10% do conteúdo disponível entrou no treino até agora. A estreia é na função de análise tabular do CoCounsel Legal, e uma versão pequena vai para o Hugging Face como peso aberto, sob licença não comercial e uso acadêmico.
O comunicado não diz qual é a base aberta. Segundo o the-decoder, é o Qwen, da Alibaba, na versão Qwen3.5-397B, com uma etapa intermediária apelidada de Snowdon, feita com o Imperial College para ajustes de segurança, ética e neutralidade política. A publicação também registra que o número de US$ 450 mil que circulou cobre apenas a rodada final de treino da versão atual, não o projeto.
O que o benchmark diz e o que ele não diz
O presidente-executivo Steve Hasker afirma no comunicado que as avaliações iniciais colocam o Thomson em pé de igualdade com os modelos de fronteira mais recentes em uma série de tarefas. São números da fabricante, sem medição independente publicada, e a compilação feita pelo the-decoder mostra um quadro mais modesto: no LegalBench, de Stanford, o Thomson marca 0,823 e fica atrás de Gemini 3.1 Pro e GPT-5.5; no Harvey Legal Agent Benchmark, logo atrás do Opus 4.8. Ele lidera em seguir instruções e no PrBench Legal, e cai bastante em raciocínio e, sobretudo, em programação. A comparação também é desigual de método: o Thomson compete com escalonamento em tempo de teste, enquanto o GPT-5.5 roda sem modo de raciocínio.
O dado mais revelador está na avaliação interna de pesquisa profunda. Só com acesso à web, o Thomson marca 0,53 de acurácia factual contra 0,65 do GPT-5.4. Com acesso ao acervo da casa, passa na frente por margem mínima, 0,83 a 0,82. O the-decoder observa que o GPT-5.4 melhora quase tanto quanto ao receber o mesmo acervo, o que enfraquece a tese central do comunicado, segundo a qual o treino proprietário entrega ganho que o acesso ao conteúdo sozinho não entregaria. O responsável pela avaliação, Andrew Bean, reconhece que, com acesso à web, o modelo está no páreo mas ainda não é líder.
A conta de quem pensa em copiar a estratégia
O diretor de tecnologia Joel Hron resume a aposta como a diferença entre alugar uma casa e comprar uma casa: cada revisão de especialista feita numa atualização de produto vira dado de treino que fica com quem é dono do modelo, em vez de evaporar no fornecedor. O argumento é bom, e só funciona com três ingredientes raros juntos, acervo exclusivo, centenas de especialistas em tempo integral e fluxos de trabalho em que a qualidade pode ser medida de forma objetiva.
É a régua que vale para o mercado brasileiro, onde a conversa sobre modelo próprio costuma parar no preço da GPU. Tribunal, banco, operadora de saúde e seguradora daqui têm acervo e especialista, o que quase ninguém tem é avaliação sistemática que diga se o modelo melhorou. Sem essa terceira peça, treinar em casa não compra independência, compra custo de manutenção recorrente. O caso da Thomson Reuters mostra que a comunidade aberta chegou a poucos meses da fronteira, e que US$ 40 milhões bastam para um modelo especializado competitivo. Também mostra que o ganho, quando aparece, vem principalmente do acervo.
