Российские разработчики больших языковых моделей могут потерять конкурентоспособность из-за ограниченного доступа к качественным данным, вычислительным мощностям и профессиональным обучающим материалам. К такому выводу пришли исследователи Института искусственного интеллекта ИТМО. Результатом аналитики они поделились с «Инком».

Исследование подготовили при участии специалистов МГУ, AIRI, РАНХиГС, ВШЭ, «Яндекса», «Сбера», Т-Банка и других организаций. Авторы изучили 16 российских моделей и 12 бенчмарков, а также провели 14 интервью с представителями отрасли.
Согласно результатам теста SLAVA, который содержит 14 тыс. вопросов о России, в начале 2026 года первые шесть мест занимали отечественные нейросети. Однако этот тест проверяет преимущественно локальные знания и не показывает, насколько хорошо модели справляются с программированием, математикой и научными исследованиями.
Проблема остается в нехватке данных для обучения. Русскоязычный интернет, по оценке исследователей, примерно в 10–20 раз меньше мирового массива информации. При этом значительная часть доступных текстов содержит дубликаты, ошибки и низкокачественный контент. Особенно мало проверенных научных, медицинских и инженерных материалов, которые необходимы для создания специализированных моделей.
«Прямого запрета на использование иностранных открытых датасетов нет. Более того, российским моделям необходимо обучаться на международных данных, чтобы сохранять широкий кругозор и конкурентоспособность. Проблема в том, что в крупных открытых корпусах русского языка значительно меньше, чем английского, а качество многоязычных наборов не всегда проверено», — пояснили в пресс-службе ИТМО.
По оценке исследователей, для универсальной многоязычной модели достаточно 5–30% русскоязычных данных. Остальная часть обучающего массива может включать международные источники. Однако их необходимо тщательно очищать и адаптировать.
Крупные зарубежные компании при этом располагают значительными ресурсами для такой работы, тогда как российские команды сильнее зависят от открытых данных, убеждены в ИТМО. Ситуацию осложняет ограниченный доступ к передовым вычислительным мощностям, который увеличивает стоимость обучения новых моделей.
Еще одна проблема связана с авторским правом. Библиотечные фонды, архивы, научные публикации и профессиональные базы данных могли бы заметно улучшить российские нейросети. Но многие материалы трудно использовать из-за юридических ограничений, отсутствия цифровых копий и необходимости согласовывать доступ с правообладателями.
Частично решить проблему должен № 243-ФЗ от 26 июля 2026 года. Он предусматривает специальные условия использования законно полученных произведений и общедоступных материалов для обучения суверенных и национальных фундаментальных моделей. Однако соответствующая статья вступит в силу только 1 марта 2027 года. Кроме того, послабления получат лишь разработчики моделей с определенным правовым статусом, а не все российские ИИ-компании.
Для получения такого статуса необходимо соблюдать дополнительные требования. В частности, разработчиком должно выступать российское юридическое лицо, а пользовательские запросы и данные должны обрабатываться и храниться в российских дата-центрах. Для национальных моделей допускаются зарубежные компоненты с открытыми лицензиями, тогда как суверенные должны обеспечивать полную технологическую воспроизводимость.
Помочь отрасли могут и профессиональные данные, которых практически нет в открытом интернете.
«Для развития специализированных ИИ-моделей особенно важны качественные данные от врачей, юристов, инженеров и других профессионалов: экспертные ответы, реальные кейсы, проверенные решения. Такие данные особенно востребованы на поздних этапах обучения, когда важнее качество, а не объем корпуса», — добавили в ИТМО.
Авторы исследования предлагают создавать общие отраслевые наборы данных и развивать сотрудничество университетов с технологическими компаниями. Еще одно направление — обмен готовыми специализированными ИИ-агентами, чтобы разработчики не тратили ресурсы на создание одинаковых решений с нуля.
По мнению исследователей, российские модели уже имеют преимущество в знании местного контекста, но сохранить его будет недостаточно. Для конкуренции с зарубежными системами необходимы доступ к мировым данным, качественные отечественные материалы и вычислительные ресурсы. Без решения этих проблем разрыв между российскими и ведущими иностранными нейросетями может продолжить увеличиваться.
Подпишитесь на «Инк» в Telegram. Там мы пишем нескучным языком о самом важном для предпринимателей. Подписаться.