Исследование ИТМО: ограничение данных лишит российские нейросети конкурентного преимущества
Российские большие языковые модели в начале 2026 года заняли первые шесть мест в бенчмарке SLAVA, который проверяет нейросети на 14 тысячах вопросов по истории, обществознанию, социологии и географии России, хотя ещё в ноябре 2024 года в тройке лидеров были американские и китайские модели. Такой результат зафиксировали авторы исследования российского рынка LLM и данных для их обучения, подготовленного Институтом ИИ ИТМО при участии экспертов ИТМО, МГУ, РАНХиГС, ВШЭ, AIRI, Яндекса, Сбера, Т-Банка и AI VK. Ключевой вывод: конкурентное преимущество российских моделей сохранится только при доступе к достаточному объёму качественных русскоязычных данных и к данным на других языках. Оптимальную долю русского языка в обучающем корпусе эксперты оценивают в 5–30%, а размер доступного русскоязычного интернета в 10–20 раз меньше общемирового, поэтому изоляция от международных массивов ускорит отставание российских нейросетей.
Топ-6 бенчмарка SLAVA: российские модели вырвались вперёд
Бенчмарк SLAVA проверяет языковые модели на 14 тысячах вопросов по истории, обществознанию, социологии и географии России. В начале 2026 года первые шесть строчек рейтинга заняли отечественные LLM. Для сравнения: в ноябре 2024 года в тройке лидеров находились модели из США и Китая.
Исследователи объясняют сдвиг двумя причинами: ростом инвестиций разработчиков в отечественные ИИ-модели и увеличением доли российских данных в их обучающих массивах.
Сколько данных нужно для обучения и сколько их есть
Для предобучения современные LLM используют массивы объёмом в триллионы токенов. В обучающий корпус входят разные типы источников:
| Тип данных | Роль в обучении |
|---|---|
| Веб-страницы | основной объём корпуса |
| Книги и энциклопедии | факты и культурный контекст |
| Научные публикации | специальные знания |
| Открытый программный код | навыки программирования |
Размер доступного русскоязычного интернета примерно в 10–20 раз меньше общемирового. Этого хватает для части многоязычного корпуса, но недостаточно для конкурентоспособной универсальной модели, обученной только на русском языке. Оптимальную долю русскоязычных данных эксперты оценивают в диапазоне от 5% до 30%.
Почему изоляция от международных данных вредит моделям
Многоязычное обучение расширяет картину мира модели: разные языки несут разные массивы полезной информации, а английский корпус остаётся ключевым носителем научного знания. Отказ от этих источников искусственно отрезает модель от самых насыщенных и актуальных данных.
Российские команды при этом сильнее иностранных зависят от открытых источников: у них меньше ресурсов для самостоятельного сбора, покупки и оцифровки данных.
Вывод: ограничение доступного корпуса напрямую бьёт по возможностям модели. Без международных данных российские LLM будут сильнее отставать от зарубежных аналогов и хуже справляться с задачами за пределами локального языкового контекста.
Какие данные могут усилить российские модели
Дополнительное преимущество способны дать массивы, которых пока нет в открытом интернете: материалы библиотек и архивов, образовательные, научные, культурные и профессиональные коллекции. Их оцифровка и передача разработчикам улучшили бы качество моделей в ряде отраслей, где важны российские знания и стандарты:
- медицина
- право
- строительство
- геология
Модель распределённого развития и позиция ИТМО
Будущую конкурентоспособность отрасли авторы связывают с совместной работой бизнеса, государства, open-source-сообщества, культурных и образовательных организаций. Государство создаёт условия, бизнес отвечает за промышленное внедрение, наука задаёт методологию, образование готовит кадры, а open-source-сообщества ускоряют обмен решениями.
Директор Института ИИ ИТМО, доктор технических наук Александр Бухановский отмечает, что сегодня каждая крупная компания делает модели для себя и закрывает разработки, хотя часть задач стоит решать всей отрасли. Он предлагает стимулировать выход накопленных знаний в открытое использование в виде интеллектуальных агентов, на основе которых компании смогут собирать системы под собственные задачи.
Отдельно аналитики поднимают вопрос авторского права на произведения, на которых обучается ИИ: правила должны защищать интересы правообладателей, но не сокращать доступный для обучения массив информации.
Частые вопросы
Почему российские нейросети отстают от зарубежных?
Главная причина в объёме доступных данных: русскоязычный интернет в 10–20 раз меньше общемирового, а российские команды сильнее зависят от открытых источников из-за меньших ресурсов на сбор и оцифровку данных.
Сколько русскоязычных данных нужно для обучения языковой модели?
Оптимальную долю русскоязычных данных в обучающем массиве эксперты ИТМО оценивают в диапазоне от 5% до 30%. Остальной корпус должен включать данные на других языках, прежде всего английском.
Что такое бенчмарк SLAVA?
Это тест, который проверяет языковые модели на 14 тысячах вопросов по истории, обществознанию, социологии и географии России. В начале 2026 года первые шесть мест в нём заняли российские LLM.
Почему изоляция от иностранных данных вредит российским моделям?
Разные языки несут разные массивы знаний, а английский корпус остаётся ключевым носителем научного знания. Отказ от международных источников отрезает модель от самых насыщенных и актуальных данных и ускоряет отставание.
Какие российские модели вошли в топ рейтинга SLAVA?
Исследование не называет конкретные модели, но отмечает, что в начале 2026 года первые шесть строчек бенчмарка заняли отечественные LLM, тогда как в ноябре 2024 года в тройке лидеров были модели из США и Китая.
Источники: habr.com, cnews.ru
Читайте также
- ИИ OpenAI улучшил чипы AMD на 14 %: год работы инженеров нейросеть выполнила за пять месяцев
- Anthropic вышла на биржу: крупнейшее IPO на $107 млрд и петиция нобелевских лауреатов
- Google выпустила Gemini 4 Neon 18 ноября: цена, бенчмарки и отличия от Carbon
- Anthropic привлекла $81,3 млрд на IPO: рекорд SpaceX побит при оценке $1,5 трлн
- IPO Anthropic: цена $83 за акцию, объём вырос до 980 млн бумаг, привлечено $81,3 млрд
Рекомендованные статьи