Яндекс открыл веса модели AliceAI-Foundation-80B: архитектура и применение
Яндекс открыл веса AliceAI-Foundation-80B под Apache 2.0: MoE с 3 млрд активных параметров обходит конкурентов на русском и позволяет запускать ИИ локально без облака.
Яндекс опубликовал в открытом доступе веса новой языковой модели AliceAI-Foundation-80B-A3B-Base под лицензией Apache 2.0. Любая компания может скачать модель, изучить, дообучить и использовать в коммерческих продуктах без отчислений правообладателю. Модель обучена с нуля — без использования весов открытых аналогов — и демонстрирует качество, превосходящее крупные конкурентские системы при значительно меньшем числе активных параметров. Для бизнеса в России и СНГ это редкий случай, когда передовая технология становится доступной без барьеров входа и жёсткой привязки к облачному API.
Релиз сопровождает подробный технический отчёт: команда описывает конвейеры подготовки данных, протоколы оценки, эксперименты со стабилизацией обучения и ошибки, которых удалось избежать. Вместе с весами опубликованы два новых бенчмарка для проверки фактологических знаний на русском языке. По словам Яндекса, цель — сэкономить время тем, кто выбирает основу для постобучения или обучает собственные предобучения. Далее разбираем, что за моделью стоит, где её сильные стороны и как применять это на практике.
Архитектура MoE: мощность без лишних затрат
Главная инженерная особенность — архитектура Mixture of Experts (MoE). У модели 80 миллиардов общих параметров, но в работе задействовано только 3 миллиарда. Это примерно в семь раз меньше активных весов, чем у предыдущей закрытой Alice AI LLM 235B, и меньше, чем у всех соперников в сравнительной таблице, кроме Qwen3.5-35B-A3B. По данным Яндекса, при таком размере новая модель обходит DeepSeek-V4-Flash-Base (284 миллиарда общих, 13 миллиардов активных) и Nemotron-3-Super-120B-A12B на большинстве задач предобучения.
Для бизнеса это прямой сигнал: инференс такой модели дешевле и быстрее. Запуск 3-миллиардной активной части на видеокартах уровня RTX 3090/4090 или в облаке обходится в разы дешевле, чем обслуживание плотных моделей сравниваемого качества. Лицензия Apache 2.0 снимает ограничения на коммерческое использование, модификацию и распространение. Можно развертывать модель в собственной инфраструктуре, не передавая данные наружу — критически важно для банков, медицины, госсектора и любой работы с конфиденциальной информацией.
Факты, русский язык и сложные рассуждения
Внутренние замеры Яндекса показывают лидерство на 8 из 10 бенчмарков по фактологическим знаниям, образованию и экспертным навыкам. Особенно силен результат по российской культуре, истории, литературе, медицине и праву. На MATH-500, университетской математике и LiveCodeBench модель показывает лучшие результаты среди сравниваемых открытых предобученных моделей. На сложных олимпиадных задачах — IMO AnswerBench, HMMT, LiveCodeBench — также лидирует или делит первое место.
Работа с длинным контекстом: модель делит первое место с DeepSeek на FinQA 128K и отстаёт от Nemotron всего на 0,2 пункта на LongMemEval. Для задач RAG (генерация с подключением внешних знаний) и анализа больших документов это даёт запас прочности.
Важный нюанс: в тестах на сложные рассуждения (temperature=1, штрафы за повторы) DeepSeek-V4-Flash-Base показал результаты, близкие к нулю. Яндекс не объясняет причин — возможно, особенности настройки генерации или архитектурные ограничения конкурента. Для задач, где нужна пошаговая логика и проверка гипотез, новая модель выглядит надёжнее.
Что в техническом отчёте полезно практику
Отчёт — не просто сопроводительная бумага. Команда детально разбирает, почему loss на отложенной выборке плохо предсказывает качество на целевых бенчмарках, как пересчёт гиперпараметров по scaling laws привёл к взрыву обучения (рост MoE-активаций и скачок loss), и почему рецепт аугментаций из открытых инициализаций не сработал для длинного предобучения.
Ключевой вывод для тех, кто дообучает модели сам: обучение рассуждениям (reasoning) в предобучении недостаточно для агентских навыков. Добавление взаимодействий с инструментами уже на стадии предобучения улучшило агентские бенчмарки после SFT. Это меняет подход к подготовке данных: если планируете делать агента, который вызывает API, ищет в базе или пишет код — примеры таких цепочек нужны до этапа инструкционного дообучения.
Также опубликованы абляции: влияние обновлённого корпуса, архитектурных решений и гиперпараметров проверялось в серии обучений с нуля по 2 триллиона токенов каждое. Это редкий уровень прозрачности: обычно компании делятся только итоговыми весами.
Новые бенчмарки: WikiWebFacts и HardMultiQA
Два открытых набора данных закрывают пробел в оценке русскоязычных моделей. WikiWebFacts собран из статей русской Википедии, популярных в выдаче Яндекса, и анонимизированных поисковых запросов. Вопросы короткие, с однозначным ответом, проверенные тренерами ИИ и экспертами по медицине и праву. Автоматическая оценка через модель-судью согласуется с людьми выше 95%.
HardMultiQA сложнее и ближе к реальным диалогам с Алисой. Редакторы брали темы из пользовательских запросов, но формулировали вопросы так, чтобы сильные модели не решали их тривиально. Используются форматы: короткий ответ, одиночный и множественный выбор, перечисление с фиксированным и открытым набором правильных вариантов. Это позволяет тестировать не только память, но и умение сопоставлять и обобщать факты.
Для бизнеса эти бенчмарки — инструмент приёмо-сдаточных испытаний. Если вы внедряете модель в поддержку клиентов, поиск по документации или юридический ассистент — проверяйте кандидата через WikiWebFacts и HardMultiQA. Результаты воспроизводимы, конфигурации замера открыты на Hugging Face.
| Параметр | До открытия весов AliceAI | После открытия весов AliceAI |
|---|---|---|
| Доступность модели | Только через облачные сервисы Яндекса | Возможность локального развёртывания |
| Кастомизация | Ограниченная, через API | Глубокая адаптация под специфические задачи бизнеса |
| Стоимость использования | Зависит от тарифов облака, постоянные расходы | Единовременные затраты на инфраструктуру, снижение операционных расходов |
| Конфиденциальность данных | Обработка данных на стороне Яндекса | Полный контроль над данными внутри инфраструктуры компании |
Что это значит для малого бизнеса в России и СНГ: конкретные шаги
Выход модели меняет экономику внедрения ИИ для компаний без штата ML-инженеров. План действий на эту неделю:
- Оцените инфраструктуру. Если у вас есть доступ к GPU с 24 ГБ видеопамяти (например, одна RTX 3090/4090 или аналогичный облачный инстанс) — модель запустится локально через vLLM или llama.cpp в 4-битном квантовании. Проверьте скорость генерации на ваших типовых запросах.
- Запустите RAG-конвейер. Подключите модель к своей базе знаний (FAQ, каталог, нормативные документы). Сравните качество ответов с текущим решением (GPT-4o-mini, Claude Haiku, YaGPT Lite). Метрики: точность фактов, галлюцинации, задержка. Используйте для оценки открытые WikiWebFacts и HardMultiQA — они бесплатны и адаптированы под русский контекст.
- Попробуйте LoRA-дообучение. Для узких задач (классификация входящих, извлечение сущностей из договоров, генерация карточек товаров) достаточно дообучить адаптеры LoRA на 1–2 тысячах примеров. Это занимает часы на одной видеокарте и не требует полного дообучения. Веса базовой модели не меняются, лицензия Apache 2.0 позволяет распространять итоговый артефакт.
- Закройте вопрос безопасности данных. Если политика компании запрещает уход персональных данных или коммерческой тайны во внешние API — локальный запуск решает проблему радикально. Никаких DPA с зарубежными провайдерами, никаких оценок влияния перевода данных.
- Сравните затраты. Посчитайте стоимость владения (TCO) за год: оборудование/облако + инженерное сопровождение против подписки на закрытый API при вашем трафике. При нагрузке от нескольких тысяч запросов в день локальная MoE-модель часто выигрывает.
- Подключитесь к сообществу. На Hugging Face уже появляются квантованные версии (GGUF, AWQ, GPTQ) и конфигурации для популярных фреймворков. Следите за системами отслеживания ошибок — первые баги в токенизаторе или шаблоне чата исправляются за дни.
Если внутренних компетенций нет — обратитесь к интеграторам, которые уже работают с открытыми весами. Рынок таких услуг в России сформировался за полгода после релиза YaLM и Qwen. Цены на дообучение и развёртывание адекватны: проект «под ключ» для типового чат-бота поддержки оценивается в 300–600 тысяч рублей с нуля.
Итог
AliceAI-Foundation-80B-A3B-Base — первая открытая модель класса SOTA, обученная с нуля в России с фокусом на русский язык, факты и агентские сценарии. Эффективная MoE-архитектура, лицензия Apache 2.0, открытые бенчмарки и честный технический отчёт делают её рабочим инструментом, а не демонстрацией возможностей. Для малого бизнеса это шанс вынести ИИ из песочницы в промышленную эксплуатацию под своим контролем и за предсказуемые деньги. Начните с проверки RAG на своих данных — ответ придёт быстрее, чем согласование договора с крупным провайдером.
Часто задаваемые вопросы
Что такое AliceAI-Foundation-80B?
AliceAI-Foundation-80B — это большая языковая модель от Яндекса, использующая архитектуру MoE (Mixture of Experts) с 3 миллиардами активных параметров. Она демонстрирует высокую производительность в задачах обработки естественного языка, особенно на русском языке.
Что означает «Яндекс открыл веса» модели?
Открытие весов означает, что Яндекс предоставил доступ к параметрам обученной модели AliceAI-Foundation-80B под лицензией Apache 2.0. Это позволяет разработчикам и компаниям скачивать модель и запускать её на собственных серверах.
Какие преимущества даёт бизнесу локальное развёртывание AliceAI?
Локальное развёртывание AliceAI-Foundation-80B обеспечивает полный контроль над данными, повышает конфиденциальность и безопасность. Также это может снизить операционные расходы, так как отпадает необходимость в постоянной оплате облачных сервисов за использование модели.
Эксперт по созданию сайтов, рекламе в интернете и маркетингу с 2012 года. Основатель агентства AIFORSALE.