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 данныхРоль в обучении
Веб-страницыосновной объём корпуса
Книги и энциклопедиифакты и культурный контекст
Научные публикацииспециальные знания
Открытый программный коднавыки 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

Рекомендованные статьи