DepescheModelle24. August 2026neu

Thomson Reuters baut sein eigenes Frontier-Modell auf Alibabas Qwen – 40 Mio. $, und die Bestwerte kommen erst mit dem eigenen Archiv

Thomson Reuters hat am 24. August 2026 ein eigenes Sprachmodell namens „Thomson“ vorgestellt. Die Pressemitteilung nennt 40 Mio. US-Dollar Investition, Training auf Inhalten aus Westlaw, Practical Law, Checkpoint und Reuters – bislang „less than 10% of Thomson Reuters content“ – und ordnet das Ergebnis mit „early evaluations put Thomson on par with the latest frontier models“ ein. Welches Fundament darunter liegt, sagt die Mitteilung nicht; laut The Decoder ist es Alibabas offenes Qwen, zuletzt Qwen3.5-397B, und die vielzitierten 450.000 US-Dollar decken nur den finalen Trainingslauf. Ausgeliefert wird Thomson im nächsten Release von CoCounsel Legal, eine kleine Variante soll für nicht-kommerzielle Forschung auf Hugging Face landen.

Aussagen gegen die Quellen geprüft · 24. August 2026

Was die Mitteilung sagt: Thomson Reuters beschreibt am 24. August 2026 ein Modell namens „Thomson“, das auf „a strong open-source foundation“ aufsetze und mit „decades of authoritative content from Westlaw, Practical Law, Checkpoint, and Reuters“ weitertrainiert wurde. Genannt werden 40 Mio. US-Dollar Investition und der Hinweis, bislang seien „less than 10% of Thomson Reuters content“ ins Training geflossen. Numerische Benchmark-Werte enthält die Mitteilung nicht, nur die Formulierung „early evaluations put Thomson on par with the latest frontier models“. CTO Joel Hron wird zitiert mit: „For years, the AI industry has treated scale as the answer: bigger models, more compute, more money. Thomson shows there is another path.“ Verfügbar wird das Modell „in the upcoming release“ von CoCounsel Legal; eine kleine Version soll für akademische und nicht-kommerzielle Nutzung auf Hugging Face erscheinen.

Was die Mitteilung nicht sagt: Das Basismodell. Laut The Decoder ist es Alibabas offenes Qwen, zuletzt Qwen3.5-397B; eine Zwischenstufe namens „Snowdon“ entstand gemeinsam mit dem Imperial College. Die Kostenaufteilung ist dort ebenfalls präziser: rund 40 Mio. US-Dollar über mehr als zwei Jahre für Personal und Rechenleistung, während die kolportierten 450.000 US-Dollar nur den abschließenden Trainingslauf der aktuellen Version abdecken. Die von Thomson Reuters selbst berichteten Werte: Stanford LegalBench 0,823, hinter Gemini 3.1 Pro und GPT-5.5; Harvey Legal Agent Benchmark knapp hinter Opus 4.8; bei PrBench Legal vorn; in Reasoning und Coding deutlich schwächer. Im Deep-Research-Test kommt Thomson mit reinem Webzugriff auf 0,53 und mit Zugriff auf die Konzerninhalte auf 0,83.

Die unabhängige Gegenprobe: Bob Ambrogi hat die Zahlen am 4. August 2026 – gut drei Wochen vor dem Start, die Benchmarks waren vorab veröffentlicht – im LawSites-Blog nachgerechnet. Seine Tabelle: LegalBench Thomson 0,823 gegen Gemini 0,843, GPT-5.5 0,832 und Opus 0,818; PrBench Legal Hard Thomson 0,352 gegen GPT-5.5 0,333, Opus 0,315 und Gemini 0,293; Harvey Legal Agent Thomson 0,857 gegen Opus 0,869. Sein Befund: „The results are more mixed than the headline suggests.“ Dazu drei Vorbehalte – Thomson habe Test-Time-Scaling genutzt, während GPT-5.5 im Nicht-Reasoning-Modus antrat („that suggests that the benchmark may have understated OpenAI’s performance“); der zweite Durchgang mit Westlaw-Zugriff messe vor allem die Retrieval-Quelle („this is less a test of the models than of the retrieval sources behind them“); und schließlich seien „these benchmark results are entirely self-reported on the part of Thomson Reuters, with no mention of any independent third-party verification“.

// Einordnung der Redaktion

Warum das relevant ist

Das ist die bislang konkreteste Rechnung zur Frage „eigenes Modell oder gemietetes“: Ein Fachverlag kommt für den Preis eines mittleren Softwareprojekts auf Frontier-Nähe – aber nur, weil er ein Archiv besitzt, das sonst niemand hat. Genau daran hängt der Vorbehalt. Die Benchmarks sind sämtlich selbst gemessen, und dort, wo Thomson vorn liegt, durfte es auf Westlaw zugreifen, während die Vergleichsmodelle im offenen Web fischten. Bob Ambrogi hat das schon vor dem Start auseinandergenommen: „this is less a test of the models than of the retrieval sources behind them.“ Bemerkenswert bleibt die Herkunft des Unterbaus: Die juristische KI eines westlichen Informationskonzerns läuft auf chinesischen offenen Gewichten – dieselbe Bewegung, die wir bei Apples China-Modell gesehen haben, nur in die andere Richtung.