Thomson Reuters 深度定制自有模型，Cursor 等公司跟进同一路线
bigdata · x · 2026-10-22
Gradient Flow 的 Ben Lorica 采访 Thomson Reuters CTO Joel Hron 后总结出一套「深度模型定制」经验：不止微调，而是从强开源权重模型出发，用企业自有数据继续预训练，再做多阶段 post-training。Cursor、C3 AI、ByteDance、Cisco、Reddit 也在探索类似路线。
关键发现：
- 微调不总是够用：Thomson Reuters 最初用商业模型加 LoRA 微调，目标任务提升但其他能力出现退化。
- 检索的局限：C3 AI 的专有 Type System 不在公开训练数据里，仅靠检索在内部编码评测上只有 11% 通过率；加上 agent 和工具后，前沿模型约 60%，但单次响应要两分钟——信息可得，模型并未真正「学会」这套系统怎么运作。
- 核心结论：RAG 解决信息变化快或体量大的问题，post-training 重塑行为、改善特定任务，而继续预训练改变的是模型对领域本身的认知——当企业的护城河是专有领域知识时，这一步才真正值钱。
「编程与Agent」频道最新
- Superset MCP Server 发布：让 LLM 直接查询 Apache Superset 数据 — modelcontextprotocol · 2026-10-22
- Crates MCP 连接器上线：免鉴权直连 crates.io API 查 Rust 包 — modelcontextprotocol · 2026-10-22
- Ropedia S-Agent 2.0 零训练拿下空间推理基准 66.5 分超越 GPT-6 — CyberRobooo · 2026-10-22
- 一条命令把 Vercel Eve agent 部署到 Cloudflare：开源工具 Eden 发布 — ritakozlov · 2026-10-22
- Ben Bajarin：向 AI 随口倾倒研究笔记再整理成模型，效率惊人 — BenBajarin · 2026-10-22
- 研究型 agent 重复调研烧钱？四种缓存复用方案对比与难点 — EnvironmentalDay8864 · 2026-10-22