Российские большие языковые модели (LLM — нейросети, обученные на массивах текста) лучше иностранных справляются с задачами, где нужны знание русского языка, истории и культурного контекста, но преимущество сохранится только при достаточном объеме качественных данных на русском и других языках. Об этом «Газете.Ru» сообщили в пресс-службе ИТМО.
Выводы основаны на исследовании рынка LLM, которое подготовил Институт ИИ ИТМО с экспертами МГУ, РАНХиГС, ВШЭ и AIRI.
В начале 2026 года первые шесть мест в бенчмарке SLAVA (14 тыс. вопросов по истории, обществознанию и географии России) заняли отечественные LLM. В ноябре 2024 года в топ-3 были модели из США и Китая. Перемены связывают не только с инвестициями, но и с большей долей российских данных в обучающих массивах.
Русскоязычные данные при этом дефицитны: русскоязычный интернет примерно в 10–20 раз меньше общемирового. Этого хватает для части многоязычного корпуса, но не для универсальной модели только на русском. Оптимальную долю таких данных эксперты оценивают в 5–30%.
Модели должны быть многоязычными, считают эксперты. Изоляция от мировых корпусов заставит их сильнее отставать от зарубежных аналогов: разные языки содержат разные массивы информации, а английский остается главным носителем научного знания.
«Русскоязычные данные определяют не только то, насколько естественно модель говорит по-русски: от них зависит знание российских реалий, истории, права и культурного контекста. Но универсальной модели нужен и мировой массив знаний. Ключевой вопрос — не выбирать между российскими и иностранными данными, а работать с максимально разнообразным корпусом», — отмечают авторы.
Для предобучения LLM используют триллионы токенов — веб-страницы, книги, научные публикации, код и энциклопедии. Российские команды сильнее зависят от открытых источников: у них меньше ресурсов для сбора и оцифровки.
Преимуществом могут стать массивы, которых нет в открытом интернете: библиотечные и архивные материалы, профессиональные коллекции. Их оцифровка улучшила бы модели в медицине, праве и строительстве.
Успех моделей будет результатом работы бизнеса, государства и open-source-сообщества, говорится в исследовании.
«Каждая крупная компания делает модели для себя и закрывает разработки. Но есть задачи, которые нужно решить всей отрасли. Вместо того чтобы каждой создавать агента, читающего одну и ту же литературу, можно обмениваться такими решениями», — говорит директор Института ИИ ИТМО Александр Бухановский.
Рынок будет развиваться, если команды применяют мировую технологическую базу, усиливают ее отечественными данными и быстро внедряют продукты, заключили авторы работы.
Ранее сообщалось, что ИИ-модели Яндекса обошли крупные зарубежные нейросети в ряде задач.