O artigo apresenta o Thomson, um modelo de fronteira de propósito geral desenvolvido pelo SovereignAI que demonstra como instituições podem alcançar desempenho de fronteira por meio de aprendizado contínuo em modelos de pesos abertos amplamente disponíveis. Essa abordagem utiliza uma pilha moderna de treinamento intermediário e pós-treinamento com salvaguardas para preservar plasticidade e estabilidade, permitindo intervenções mínimas nos parâmetros com alto impacto.
- O Thomson compete de forma competitiva com modelos recentes de fronteira em tarefas agênticas, segurança, aspectos legais, tributação, multilinguismo e Deep Research em larga escala.
- As avaliações revelam um padrão distintivo em forma de π de melhorias em uma ampla gama de capacidades, incluindo aquelas não explicitamente visadas.
- O método elimina quase completamente o problema de esquecimento comum na adaptação a domínios estreitos.
- A abordagem requer orçamentos de computação e pessoal substancialmente menores do que comumente se pensa, tornando a posse da pilha SovereignAI viável para mais atores.
Ao explorar o aprendizado contínuo em vez de abordagens limitadas como ajuste fino ou engenharia de prompts, este trabalho argumenta que o desempenho de fronteira é alcançável para uma ampla gama de instituições sob diversas configurações de financiamento.