Thomson-1.0-Small di Thomson Reuters: 3 miliardi di parametri attivi, 35 da tenere comunque in memoria

Il 18 agosto 2026, alle 15:33 UTC, l’organizzazione thomsonreuters ha pubblicato su Hugging Face Thomson-1.0-Small: non un esperimento accademico, ma un modello a pesi aperti costruito sui contenuti proprietari del gruppo — decenni di notizie, contratti, atti normativi, giurisprudenza — per il lavoro legale, fiscale e giornalistico. Per chi valuta un modello specializzato per un settore da far girare nel proprio perimetro è il tipo di rilascio da controllare riga per riga prima che finisca in un capitolato: quanto pesa davvero, che cosa serve a farlo girare, che cosa la scheda dichiara — o tace — sui dati con cui ha imparato. Verifichiamo qui, alla data del 26 agosto.

I fatti, in ordine

Pubblicazione: repository creato il 18 agosto 2026 alle 15:33:05 UTC, aggiornamento minore il 24 agosto. Organizzazione thomsonreuters, spunta di verifica attiva (isVerified: true) — l’unico altro modello sotto lo stesso account è un rilascio accademico del 2023, praticamente inosservato: questo è, nei fatti, il primo modello di peso del gruppo.
Accesso: gated: false. Verificato senza autenticarsi: la richiesta di uno shard di pesi e quella del file di licenza rispondono entrambe con un reindirizzamento diretto al contenuto, nessun login richiesto.
Adozione, oggi: 214 download, 109 like — i numeri di un modello pubblicato da otto giorni, non di un rilascio già filtrato dal mercato.
Peso: 35,1 miliardi di parametri totali, 3 miliardi attivi per token (architettura a esperti, famiglia Qwen3.6), pesi BF16 in sedici file safetensors, 70,2 GB — 65,4 GiB — secondo i metadati pubblici del repository.
Base: costruito su tri-fair-lab/Snowdon1.1-Small (Apache 2.0), a sua volta derivato da Qwen/Qwen3.6-35B-A3B di Alibaba (Apache 2.0). La catena è verificabile fino all’origine; la licenza cambia solo all’ultimo passaggio.
Licenza: PolyForm Strict 1.0.0 — uso non commerciale, nessuna redistribuzione né opera derivata senza accordo separato con Thomson Reuters; il checkpoint di base era permissivo, questo non lo è.
Documentazione: il rapporto tecnico non sta su arXiv né ha un identificativo persistente. È un PDF ospitato in uno Hugging Face Space dell’organizzazione tri-fair-lab — non verificata (isVerified: false) — il laboratorio congiunto con Imperial College London che firma anche il checkpoint di base. Link verificato oggi, funzionante.
Contesto: 262.144 token, che il README dichiara «natively» — 256K esatti (256×1.024), non i 262K a cui la cifra si arrotonderebbe leggendo il numero a occhio.

Che cos’è, in pratica

Thomson-1.0-Small non nasce da zero: è un checkpoint Qwen open-weight, riallineato ai valori tramite un documento che la scheda chiama Public AI Constitution — dichiaratamente pubblico e modificabile, non un sistema di valori proprietario — e poi sottoposto a un pre-addestramento continuo sui contenuti Thomson Reuters. La scheda rivendica soprattutto l’efficienza dell’addestramento — 1,63×10²³ FLOP, 35.207 ore-GPU su B200 — non quella dell’esecuzione in produzione, di cui non dice nulla.

Le tabelle di benchmark — lette, non riprodotte — mostrano il modello sopra il proprio checkpoint di base sulla maggior parte delle voci di dominio legale, fiscale e di ricerca approfondita, con margine più stretto su matematica e codice. Il confronto è con modelli scelti dal produttore — Qwen3.6-35B-A3B, Gemma 4-31B, Claude Haiku 4.5 — misurati, dichiara la tabella, sullo stesso harness: un dato di parte, non una prova indipendente.

Il conto che il README non fa

La scheda non dichiara una configurazione hardware minima: nessuna GPU consigliata, nessuna soglia di memoria. L’unico numero certo è quello di sopra: 70,2 GB di pesi su disco. Ricavarne il fabbisogno di memoria per servirlo richiede un passaggio che la scheda non fa.

Un modello a esperti sceglie, per ogni token, quali esperti attivare: qui tre miliardi di parametri su trentacinque, il numero che decide il costo di calcolo per token e che la scheda mette in evidenza. Non è, però, il numero che decide la memoria necessaria a tenerlo in produzione: token diversi nello stesso lotto di richieste instradano verso esperti diversi, quindi servire il modello senza attese sull’esperto sbagliato richiede tenere pronti, in memoria veloce, tutti e trentacinque i miliardi di parametri, non i tre attivi. È una proprietà nota delle architetture Mixture-of-Experts, non un’affermazione di questa scheda. A quella cifra si aggiunge, quando le richieste si avvicinano al contesto dichiarato di 262.144 token, la cache di attenzione — un altro capitolo di costo che nessuna riga del documento stima.

Pesi scaricabili senza il calcolo che li rende eseguibili non sono sovranità: qui il calcolo mancante non è quello dei tre miliardi con cui la scheda invita a ragionare, ma quello dei trentadue in più che restano fuori dal conto — lo stesso scarto già misurato su un modello di dimensioni comparabili, segno che non è un caso isolato.

I dati di addestramento: quello che c’è, quello che manca

Su questo punto la scheda è più esplicita della media del settore — il confronto va fatto con l’assenza quasi totale che misuriamo di solito. Dichiara che il pre-addestramento continuo «ingests Thomson Reuters’ proprietary data — decades of news, contracts, regulatory filings, case law, statutes and practitioner guidance», assimila i dati proprietari di Thomson Reuters — decenni di notizie, contratti, atti normativi, giurisprudenza, testi di legge e guide per professionisti — e precisa la composizione: «The mid-training corpus comprises 200B tokens curated from a pool of over 19T tokens of permissively public and proprietary data», il corpus di addestramento intermedio conta 200 miliardi di token selezionati da un bacino di oltre 19.000 miliardi, diviso a metà fra documenti proprietari, loro riscritture sintetiche e dati di richiamo delle capacità generali.

È più di quanto dichiarino quasi tutti i concorrenti. Manca un intervallo di date per il corpus proprietario, manca una parola sui dati personali nella giurisprudenza citata, e manca il corpus stesso: dei tre dataset pubblicati dal laboratorio partner tri-fair-lab nessuno è materiale di addestramento, sono insiemi di valutazione citati in tabella. Il materiale con cui Thomson-1.0-Small ha davvero imparato resta, per intero, dentro il perimetro di chi lo ha scritto.

La famiglia che il nome promette

La scheda si presenta così: «It is the open-weight member of the Thomson-1.0 family», è il componente a pesi aperti della famiglia Thomson-1.0. Il nome implica altri componenti, non aperti. Nessuno è documentato: nessun link, nessuna dimensione dichiarata, nessuna funzione in più che li distingua da questi pesi. Su Hugging Face l’organizzazione mostra un solo altro repository, il modello accademico del 2023, senza relazione con questa famiglia. Se una versione più ampia o gestita esiste, oggi non è verificabile da fonte pubblica.

Quello che non sappiamo

Non abbiamo provato il modello sui nostri documenti. I punteggi in tabella sono calcolati dal produttore, con harness e modelli di confronto scelti dal produttore: non sono una prova indipendente. Non diamo qualificazioni giuridiche sulla licenza PolyForm Strict né su che cosa rientri, in concreto, nell’uso non commerciale che permette. La cifra di memoria necessaria a far girare il modello è un nostro ragionamento a partire dal numero di parametri, non un’affermazione della scheda. E fra i file del repository compare un video_preprocessor_config.json che la scheda non spiega in nessun punto — il documento parla solo di testo, mai di immagini o video: un’incongruenza minore, ma da chiedere prima di installare, non da ignorare.

Come lo risolviamo noi

Per un modello come questo la verifica non si ferma alla licenza: entra nel registro dei modelli come una riga datata — versione, digest del file, canale e data di acquisizione, il testo della licenza PolyForm Strict archiviato così come si leggeva quel giorno, l’uso approvato per il lavoro legale o fiscale e chi in azienda lo ha approvato — pronta da esibire a un’ispezione, a una gara, a un consiglio di amministrazione. Lo stesso impianto tiene insieme modelli, dati, contratti, archivi e documenti in un modello operativo unico, su cui agenti AI eseguono decisioni con un operatore al comando: per grandi imprese, difesa, pubblica amministrazione e sanità. On-premise su macchine autonome che non richiedono integrazione profonda nella rete del cliente, oppure cloud dedicato con VPN dedicata e data center in Italia — sempre con gestione condivisa: non dovete già avere in casa chi amministra questi sistemi.

Vedi il servizio · Parlane con un tecnico

Dovete valutare un modello specializzato per il lavoro legale o fiscale e nessuno in azienda sa dire quanta memoria serve davvero a farlo girare? Mezz’ora con un nostro esperto, senza costi: portiamo la stima reale di hardware, licenza e dati dichiarati prima che finisca in un capitolato.