Thomson：面向SovereignAI（主权AI）的前沿模型持续学习

前沿模型的开发通常被认为是一小批资金雄厚的玩家专属的领域，这在开发者与现代AI多元用户群体之间造成了信息、经济和权力的不对称。近期的公共讨论承认了这一担忧，呼吁SovereignAI（一个组织独立构建、部署和治理AI使用的能力），但对于在各种资金条件下如何在短期内实现这一点，几乎没有给出具体建议。我们主张，通过对现成的开放权重模型进行持续学习，广泛的机构也能够达到前沿性能。与小型微调、提示工程或对冻结模型进行工具增强等有限手段不同，我们的方法利用现代的中期与后训练技术栈，同时在每个阶段引入既保持可塑性又保持稳定性的保障措施，对参数进行数量最少的高影响干预。这带来了通常需要跨越多个连续模型代际才能获得的增益，而计算与人力预算远低于通常设想，使更大范围的行动者能够拥有SovereignAI技术栈的大部分（模型、工具基础设施、价值观与数据隐私）。我们以Thomson展示这一点，这是一个通用前沿模型，训练时特别强调高风险专业工作。Thomson在智能体任务、安全性、法律、税务与多语言以及大规模深度研究方面与近期前沿模型表现相当。评估显示出一个独特的π形模式：在包括未被显式针对的广泛能力上均有明显提升，同时几乎完全消除了窄域适配中常见的遗忘问题。