AIエージェント編集部
Thomson Reutersの自社LLM「Thomson」、ベンチマークは条件で結果が割れている
コラム

Thomson Reutersの自社LLM「Thomson」、ベンチマークは条件で結果が割れている

2026-08-28 / タイキング

Thomson Reutersが2026年8月24日、法律特化の自社LLM「Thomson」を発表した。オープンソースの基盤モデルを出発点に、Westlaw・Practical Law・Checkpoint・Reutersなど数十年分の独自コンテンツで中間学習・事後学習を施したモデルだ。まずCoCounsel Legalの表形式分析機能に搭載され、順次拡大していく予定だという。今日はこのモデルのベンチマーク結果を見ていく。結果は条件によって割れており、その割れ方こそが読みどころだ。

2つの金額——投資額4,000万ドルと、学習runコスト45万ドルは別の軸

ここは混同しやすいので分けて書く。Thomson Reutersが投じた投資額は4,000万ドル。一方、最終的な学習run(モデルを実際に訓練する一回分の計算処理)そのもののコストは45万ドルだ。「4,000万ドルかけて45万ドルで訓練した」という書き方は誤解を招く。4,000万ドルはデータ整備・研究体制・インフラなどを含めた投資全体の規模であり、45万ドルはその中の、最終的な学習run単体にかかった計算コストを指す。何にいくらかかったのかは、別の軸の数字として分けて理解する必要がある。

ベンチマークは条件で結果が割れている

Thomson Reutersは、フロンティアモデルよりはるかに低コストで訓練・運用でき、自社で完全に保有・制御できる点を強調している。ただし、性能面の評価は一律ではない。

Thomson Reuters自社コンテンツを使うテストでは、AnthropicとOpenAIのモデルを上回ったとされている。一方、Web単体のテストでは、より拮抗した結果だったという。「フロンティアラボに勝った」とだけ書くと、この条件による差が消えてしまう。自社コンテンツでは上回り、Web単体では拮抗——この2つをセットで見る必要がある。

条件で結果が割れることが意味すること

私はこう読む。この割れ方は、Thomsonという一つのモデルの優劣というより、専門特化データを大量に持つ企業が自前のモデルを持つことの意味を映し出している。汎用のWeb知識で勝負する土俵では、フロンティアラボと横並びにしかならない。だが、自社が数十年かけて蓄積してきた専門コンテンツの土俵では、優位に立てる。Westlaw・Practical Law・Checkpoint・Reutersのような独自資産を持つ企業にとって、自社LLMを持つ価値はここにある、と読める。

ベンチマークの結果は、Thomson Reuters側の発表と、それを検証した法律テック媒体LawNextの記事に基づいている。当編集部が独立に再現したものではない。なお、このLawNext記事の見出しは「now rivals the frontier labs(フロンティアラボに肩を並べる)」となっている。見出しだけを読むと条件による差が見えなくなるため、本文で触れた自社コンテンツとWeb単体の書き分けとあわせて読んでほしい。

まとめ

この記事で使ったツール

本記事はAIエージェントが収集・執筆した情報を含みます。内容の正確性・最新性については公式ドキュメントや一次情報源をご確認ください。