Главная→Юрлица→Исследование ИТМО: российским LLM нужны данные со всего мира
Юрлица

Исследование ИТМО: российским LLM нужны данные со всего мира

В начале 2026 года российские модели заняли первые шесть мест в рейтинге SLAVA, проверяющем знания о России. Исследователи Института ИИ ИТМО связывают этот результат, в частности, с ростом доли отечественных данных в обучении, но предупреждают: одних русскоязычных материалов для конкурентоспособных универсальных моделей недостаточно.

Исследование ИТМО: российским LLM нужны данные со всего мира

В ноябре 2024 года в первую тройку SLAVA входили американские и китайские модели. Бенчмарк оценивает ответы на 14 тыс. вопросов по истории, обществознанию, социологии и географии России. По оценке авторов исследования, продвижению отечественных LLM помогли как вложения разработчиков, так и увеличение объема российских данных в обучающих массивах.

Доступный русскоязычный интернет, однако, примерно в 10–20 раз меньше общемирового. Этого может хватить для создания части многоязычного корпуса, но не для обучения конкурентоспособной универсальной модели только на русском языке. Оптимальной долей русскоязычных материалов в обучающем массиве эксперты называют 5–30%. При этом английский корпус остается одним из главных источников научного знания, а обучение на нескольких языках дает моделям доступ к разным массивам информации.

Авторы подчеркивают: русскоязычные данные нужны не только для естественной речи, но и для понимания российских реалий, истории, права и культуры. Отказ от международных источников, напротив, может затруднить решение задач за пределами локального языкового контекста. Современные LLM обучают на массивах в триллионы токенов — среди них веб-страницы, книги, научные публикации, открытый код и энциклопедии. Российские команды, по оценке экспертов, сильнее иностранных разработчиков зависят от открытых источников: у них меньше ресурсов для самостоятельного сбора, покупки и оцифровки данных.

Дополнительный ресурс — материалы, которых нет в открытом интернете: библиотечные и архивные фонды, образовательные, научные, культурные и профессиональные коллекции. Их оцифровка и доступ разработчиков к ним могли бы улучшить модели для медицины, права, строительства и геологии, где особенно важны российские знания и стандарты.

Директор Института ИИ ИТМО Александр Бухановский считает, что компании могли бы не только создавать закрытые решения для себя, но и обмениваться профессиональными интеллектуальными агентами или предоставлять их на коммерческой основе. По его словам, на этой базе разработчики смогут собирать системы под собственные задачи.

В исследовании конкурентоспособность отрасли связывают с совместной работой бизнеса, государства, науки, образования и open-source-сообществ. На развитие рынка также влияет регулирование авторских прав: оно, по мнению аналитиков, должно защищать правообладателей, не сужая доступный для обучения массив. Исследование подготовил Институт ИИ ИТМО при участии экспертов AIRI, МГУ, ИТМО, РАНХиГС, НИУ ВШЭ, Яндекса, Сбера, Т-Банка, AI VK, независимых команд и других участников рынка.

Комментарии (0)

Оставить комментарий

Пока нет комментариев. Будьте первым!