Thomson Reuters 与 Imperial College 用开源模型后训练探索主权 AI 新路径
Thomson Reuters 没花十亿美元预训练，而是在开源模型上用自家数据做后训练，算力搬到 Lambda 后评测快了近 10 倍。企业想掌控自己的 AI 战略、数据又敏感的，这篇案例值得对照参考。
Thomson Reuters 联合 Imperial College London 的研究人员，选择对开源模型做后训练（post-training）而非从零预训练，以此实现主权 AI。预训练通常被视作十亿美元级别的投入，而这条路线让机构在自有数据上训练、自己掌控模型，绕开了两难选择。团队在项目中途把算力迁移到 Lambda，评测迭代速度提升了近 10 倍。TR 的 Nabeel Seedat 强调，如果把'什么是好'的定义外包给别人，就等于把 AI 战略外包了出去。
对多数机构来说，主权 AI 此前只有两条路：自己预训练，或在别人控制的模型上做微调。这个案例展示了第三条路径——用自有数据对开放模型做后训练，拿到接近从零预训练的大部分收益，同时保留对数据和评估标准的控制权。
这条路线的意义在于给企业客户提供了可参照的做法：不必等到拥有十亿美元预算才谈主权 AI。对法务、税务、金融等数据敏感行业，自建评估标准和训练管线可能比追逐最大模型更实际。
For most institutions, sovereign AI has meant a hard choice: pre-train your own model, a billion-dollar effort, or fine-tune one somebody else controls.
Thomson Reuters and researchers at Imperial College London took a different route. They post-trained an open model on TR's own data and got most of the benefits of pre-training from scratch.
Halfway through, the team moved its compute to Lambda and saw nearly 10x faster evaluation iterations.
"If you outsource defining what good looks like to somebody else, you've then outsourced your AI strategy." — Nabeel Seedat, Thomson Reuters
Read the story: https://t.co/Dq4dTMBcc1
本条情报归属 AITOP「行业」核心栏目，重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中，该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」「中美大模型技术代差与商业化对照」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：Lambda、Thomson Reuters、主权AI、后训练，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明：本文原始线索采编自「Lambda」（@LambdaAPI），经 AITOP 多维评分管线结构化提炼。
