Российские разработчики представили семь методов оптимизации ИИ

Центральной темой выступлений стала экономическая эффективность корпоративного искусственного интеллекта. Специалисты ИИ-центра Т-Банка показали метод обучения универсальных моделей для бизнеса, который сокращает стоимость обработки запросов в три-четыре раза, а в отдельных сервисах — до девяти раз. Технология уже внедрена внутри компании, где компактная модель Qwen3-32B заменила более крупные решения, взяв на себя половину общего трафика. Аналогичный подход к визуально-языковым моделям позволил автоматизировать работу с документами, снизив издержки на 50–80% по сравнению с текущими рыночными стандартами.

Значительный вклад в развитие адаптивных технологий внес метод SimplexLoRA, разработанный совместно с экспертами Сбера, МФТИ и Университета «Иннополис». Он оптимизирует распределение обучаемых параметров между слоями нейросети, повышая точность ответов и качество рассуждений при сохранении прежних объемов вычислений. Также были представлены подходы F-GRPO и ESSA, которые ускоряют обучение с подкреплением в восемь раз, исключая избыточные операции и сохраняя разнообразие стратегий, которые модели обычно «забывают» при стандартной настройке.

Завершают пул новинок методы LIMe и KronSAE, направленные на внутреннюю архитектуру нейросетей. Первый позволяет эффективнее использовать результаты вычислений из предыдущих слоев, экономя до 15% ресурсов, второй оптимизирует анализ признаков внутри модели, что критически важно для понимания логики работы ИИ. Эти решения подтверждают смену глобального тренда: индустрия переходит от бесконечного наращивания мощностей к прагматичной оптимизации архитектур.