Имаго-подход для корпораций: опыт создания языковой модели Thomson Reuters

Когда речь заходит об адаптации искусственного интеллекта под нужды бизнеса, возникает логичный вопрос: как применять имаго-подход не в рамках отдельной команды, а на уровне гигантской корпорации с сотнями репозиториев и историей в несколько десятилетий? Ответ на этот вызов недавно продемонстрировал международный медиахолдинг Thomson Reuters, капитализация которого превышает 80 миллиардов долларов.

Вместо использования стандартных облачных фронтир-моделей компания привлекла профильных специалистов и за три месяца создала собственную языковую модель для работы в сфере права, налогов и журналистики. Разработка базировалась на открытых чекпойнтах Qwen3.5-397B и Qwen3.6-35B, из которых получились версии Thomson Large и Small. Финансовые затраты на финальный прогон составили менее 450 тысяч долларов, а общие инвестиции в инфраструктуру и экспертов достигли 40 миллионов. По бенчмаркам созданная система уверенно конкурирует с лучшими рыночными аналогами.

Архитектура корпоративной фабрики моделей

Значительная часть бюджета ушла не на разовое обучение, а на создание воспроизводимого конвейера — так называемой фабрики моделей. Этот инструмент превращает открытые веса и закрытые корпоративные данные в управляемую систему. Процесс разделен на три последовательных этапа: внедрение корпоративных ценностей, интеграция знаний и формирование практических навыков поведения.

Три ключевых этапа настройки

На первом этапе модель адаптируют под внутреннюю конституцию компании. Сначала нежелательное поведение устраняется прямой коррекцией весов, а затем закрепляется с помощью LoRA-адаптации. Второй этап представляет собой промежуточное обучение поверх уже подготовленной модели на сокращенном корпоративном корпусе. Из 19 триллионов токенов инженеры оставили лишь 200 миллиардов, отбросив более 98% лишней информации.

Выборка данных для обучения формируется из трех равных частей: отобранных проприетарных документов, их синтетических пересказов в формате уроков с вопросами и ответами, а также реплея общих данных для предотвращения забывания. Полученный чекпойнт затем объединяется с исходными весами. На третьем этапе выполняется финальная полировка с применением прямой оптимизации предпочтений и обучения с подкреплением, что позволяет модели эффективно использовать внутренние инструменты организации.

Сравнение подходов и уроки для разработчиков

Опыт Thomson Reuters во многом подтверждает правильность принципов, которые я применяю в имаго-кодинге, но масштабирует их на индустриальный уровень. Модель становится полноценной частью корпоративной структуры, где неизменными остаются три концептуальных слоя: среда выполнения, база знаний через RAG и специализированные адаптеры.

Принципиальное значение по-прежнему имеет качество информации, а не ее объем. Отбор лишь двух процентов ключевых данных с последующей трансформацией в обучающие уроки доказывает тезис о том, что избыток данных вреден. При этом обеспечение безопасности контура организации остается приоритетом как для крупных корпораций, так и для независимых разработчиков.

Практические выводы для внедрения

Масштабный проект Thomson Reuters показывает, что концепция интеграции искусственного интеллекта в структуру компании применима повсеместно. Для индивидуальных разработчиков и небольших команд стандартной рабочей лошадкой остаются RAG-системы и компактные адаптеры. Однако для крупных предприятий с уникальной терминологией и накопленной базой данных полноценная работа с весами становится реальным инструментом развития.

Правильное распределение информации по уровням позволяет оптимизировать рабочие процессы: оперативные данные хранятся в RAG, командные привычки закладываются в адаптеры, а фундаментальные знания предметной области фиксируются непосредственно в весах модели.