Блог// искусственный интеллект

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.

22-09-2026 · 7 мин чтения
Яндекс открыл веса модели AliceAI-Foundation-80B: архитектура и применение

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.

ПараметрДо открытия весов AliceAIПосле открытия весов AliceAI
Доступность моделиТолько через облачные сервисы ЯндексаВозможность локального развёртывания
КастомизацияОграниченная, через APIГлубокая адаптация под специфические задачи бизнеса
Стоимость использованияЗависит от тарифов облака, постоянные расходыЕдиновременные затраты на инфраструктуру, снижение операционных расходов
Конфиденциальность данныхОбработка данных на стороне ЯндексаПолный 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:

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.

По материалам: Яндекс — Открываем AliceAI-Foundation-80B-A3B-Base — новую языковую модель Яндекса, обученную с нуля

Автор разбора
Александр К.

Эксперт по созданию сайтов, рекламе в интернете и маркетингу с 2012 года. Основатель агентства AIFORSALE.

Чем можем помочь
Интернет-магазиныМаркетингИИ-роботыСвязаться
← Все статьи