Thomson Reuters afirma que su modelo supera a GPT-5.5

Thomson Reuters afirma que su nuevo modelo Thomson es competitivo con los principales sistemas de vanguardia, incluido Claude Opus 4.8, y que supera a GPT-5.5, Claude Sonnet 5 y Gemini 3.1 Pro en evaluaciones seleccionadas. La compañía planea lanzarlo a finales de este verano, con su primer despliegue en producción programado para agosto.

Cómo se desarrolló Thomson

Thomson Reuters adquirió la empresa de investigación en IA Safe Sign Technologies en 2024. En lugar de confiar únicamente en modelos de propósito general cada vez más capaces, la compañía dice que desarrolló un modelo específicamente para dominios profesionales, normas y requisitos de responsabilidad.

Thomson parte de una base de código abierto para capacidades de propósito general. Thomson Reuters aplicó luego técnicas de entrenamiento intermedio y posentrenamiento usando décadas de contenido de Westlaw, Practical Law, Checkpoint y Reuters. Cientos de expertos en la materia evaluaron las salidas, documentaron modos de fallo y validaron si el razonamiento del modelo reflejaba cómo trabajan los profesionales del derecho.

Recomendado

Robot de Qualcomm se derrumba durante demostración tras pérdida de conexión

La compañía afirma que los datos de los clientes nunca se utilizan para entrenar el modelo. También sostiene que Thomson ofrece un rendimiento comparable al de modelos mucho más grandes mientras requiere una fracción de su tamaño y de sus costes de entrenamiento y operación. Según la empresa, hasta ahora se ha utilizado en el entrenamiento menos del 10% del contenido de Thomson Reuters.

Resultados de benchmarks en tareas legales y generales

Thomson Reuters evaluó Thomson-1-Large frente a Gemini 3.1 Pro de Google DeepMind, Opus 4.8 de Anthropic y GPT-5.5 de OpenAI en categorías legales y de propósito general, incluidas programación, fiscalidad, contabilidad, multilingüismo, periodismo, tareas agentivas, seguridad, contexto largo, razonamiento y seguimiento de instrucciones.

Las puntuaciones publicadas incluyen:

• Stanford LegalBench: Thomson 0.823; Gemini 3.1 Pro 0.843; Opus 4.8 0.818; GPT-5.5 0.832.
• PrBench Legal Hard: Thomson 0.352, la puntuación más alta; Gemini 3.1 Pro 0.293; Opus 4.8 0.315; GPT-5.5 0.333.
• Harvey Legal Agent Benchmark: Thomson 0.857; Gemini 3.1 Pro 0.555; Opus 4.8 0.869; GPT-5.5 0.781.
• Seguimiento de instrucciones: Thomson 0.914, la puntuación más alta; Gemini 3.1 Pro 0.848; Opus 4.8 0.861; GPT-5.5 0.885.
• Razonamiento: Thomson 0.684; Gemini 3.1 Pro 0.748; Opus 4.8 0.737; GPT-5.5 0.589.
• Programación: Thomson 0.399; Gemini 3.1 Pro 0.500; Opus 4.8 0.598; GPT-5.5 0.414.
• Contexto largo: Thomson 0.753, la puntuación más alta; Gemini 3.1 Pro 0.750; Opus 4.8 0.741; GPT-5.5 0.703.

La imagen del benchmark identifica el mejor resultado de cada fila en verde.

×

Thomson Reuters dice que el seguimiento de instrucciones combina los benchmarks IFEval y FollowBench. Razonamiento combina GPQA Diamond, HLE y MMLU-Pro; programación combina SWE-Bench Pro y Terminal-Bench 2.1; y contexto largo combina Infinity Bench con evaluaciones internas de Thomson Reuters.

Las comparaciones no son idénticas en configuración: Thomson-1-Large usó escalado en tiempo de prueba, Gemini 3.1 Pro y Opus 4.8 usaron modo de razonamiento, y GPT-5.5 usó modo sin razonamiento. La fuente presenta estos como evaluaciones de Thomson Reuters; no aporta verificación de terceros de los resultados.

Datos propietarios y pruebas de investigación jurídica

La compañía también probó Thomson con 53 consultas de investigación jurídica redactadas por expertos internos en la materia. En esa evaluación, los modelos se conectaron a Westlaw y Practical Law de Thomson Reuters mediante un arnés agentivo interno, mientras que la investigación web competidora utilizó el motor de búsqueda Brave.

La evaluación midió dos criterios:

• Completitud: si una respuesta abordaba cada elemento listado en las rúbricas de los expertos en la materia.
• Factualidad: si las fuentes citadas respaldaban las afirmaciones hechas en cada informe.

Los grandes modelos de lenguaje actuaron como jueces, con las métricas calibradas frente a la puntuación de los expertos en la materia. Thomson Reuters sostiene que el acceso directo a Westlaw, Practical Law y Reuters da a Thomson una ventaja en completitud y factualidad frente a los modelos de vanguardia limitados al acceso a la web sin restricciones.

×

La compañía dice que su proceso más amplio de entrenamiento y evaluación incluye consultas del mundo real escritas por expertos, flujos de trabajo agentivos, entrenamiento de investigación profunda con evaluadores calibrados por humanos, entrenamiento intermedio centrado en datos y red-teaming humano y automatizado. No divulgó el número de parámetros del modelo, el coste de entrenamiento ni el coste operativo.

Primer despliegue de Thomson en CoCounsel Legal

La primera integración de Thomson llegará en agosto dentro de Tabular Analysis en CoCounsel Legal. La herramienta realiza revisiones de documentos estructuradas y de gran volumen frente a un estándar de precisión medible, lo que, según Thomson Reuters, la convierte en una prueba clara de los beneficios de un modelo específico de dominio.

Thomson será el modelo predeterminado para Tabular Analysis. A lo largo del año siguiente, la compañía planea integrarlo en su cartera de productos legales y fiscales. El anuncio no ofrece un precio independiente para Thomson ni especifica una fecha exacta de lanzamiento en agosto.

Thomson Reuters enmarca el modelo como la cuarta parte de su pila de IA profesional, junto con contenido autoritativo, experiencia en el dominio y herramientas de software. Su estándar declarado es “IA de grado fiduciario™” para profesionales con deberes de diligencia y rendición de cuentas, una justificación para construir un modelo entrenado con contenido propietario en lugar de tratar a un sistema de propósito general como el producto final.