Размер шрифта
Новости Спорт
15 000 ₽
Реклама 18+
ООО «ФОНКОР», ИНН: 7726752148
erid: 2RanykGrwGF
Участие в азартных играх
может привести к возникновению
зависимости от азартных игр
Крушение Ан-12 в КузбассеВстреча Путина, Си и Трампа в Китае
Технологии

Названа угроза развитию российских ИИ

ИТМО: российским LLM угрожают дефицит и изоляция русскоязычных данных

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.

На сайте используются cookies. Продолжая использовать сайт, вы принимаете условия
Ok
1 Подписывайтесь на Газету.Ru в MAX Все ключевые события — в нашем канале. Подписывайтесь!