本記事は、ソブリンAIが開発した汎用フロンティアモデル「Thomson」を紹介し、機関が入手可能なオープンウェイトモデルに対する継続的学習を通じてフロンティア性能を達成する方法を示しています。このアプローチは、可塑性と安定性を維持するためのセーフガードを備えた現代的な中間および後処理スタックを利用し、パラメータへの高インパクトな介入を最小限に抑えます。

  • Thomsonは、エージェントタスク、安全性、法務、税務、多言語対応、大規模Deep Researchにおいて、最近のフロンティアモデルと競争力のある性能を発揮します。
  • 評価により、明示的にターゲットされていない能力を含む幅広い能力領域で、特徴的なπ字型の改善パターンが明らかになりました。
  • この手法は、狭義のドメイン適応で一般的にみられる忘却問題をほぼ完全に解消します。
  • このアプローチに必要な計算資源と人員予算は一般的な認識よりも大幅に低く、より多くの主体がSovereignAIスタックの所有を可能にします。

ファインチューニングやプロンプトエンジニアリングといった限定的なアプローチではなく継続的学習を活用することで、本稿は多様な資金環境下で幅広い機関がフロンティア性能を達成可能であると主張しています。