Первые шесть строк рейтинга Slava в начале 2026 года заняли российские LLM, лучше зарубежных моделей ответившие на 14 тыс. вопросов о России. Но это преимущество держится не на одном русском корпусе: если отечественным разработчикам ограничат доступ к мировым данным, модели начнут проигрывать в универсальных задачах и постепенно утратят локальную фору.
К такому выводу пришли авторы исследования рынка LLM и данных для их обучения, подготовленного Институтом ИИ ИТМО вместе с экспертами вузов и технологических компаний, сообщает CNews. Главная мысль отчета довольно приземленная: модель, знающая российское право, историю и культурные коды, не становится от этого полноценной заменой глобальной модели. Для конкурентоспособности ей нужен широкий многоязычный массив — от русскоязычных текстов до англоязычных научных публикаций и открытого кода.
Бенчмарк Slava проверяет знания по истории, обществознанию, социологии и географии России. Контраст с недавним прошлым заметен: еще в ноябре 2024 года в его топ-3 входили американские и китайские модели. Исследователи объясняют разворот не только инвестициями российских команд, но и большей долей отечественных материалов в обучающих наборах. Именно они помогают модели не путать реалии, точнее работать с русским языком и увереннее отвечать там, где глобальные системы часто опираются на слишком общий контекст.
Проблема в масштабе. Доступный русскоязычный интернет, по оценке авторов, в 10–20 раз меньше общемирового. Этого достаточно, чтобы русский был важной частью многоязычного корпуса, но недостаточно, чтобы строить сильную универсальную систему исключительно на российских текстах. Оптимальную долю русскоязычных данных в обучении эксперты оценивают в 5–30%. Нижняя граница выглядит как страховка от потери локальной специфики, верхняя — как напоминание, что переизбыток одного языкового пространства тоже сужает картину мира модели.
Для предобучения современные большие языковые модели потребляют триллионы токенов: веб-страницы, книги, энциклопедии, научные статьи, репозитории с кодом. Английский массив в этой конструкции остается основным носителем свежего научного и технического знания. Изоляция от него ударит не только по качеству ответов на английском. Она ухудшит способность модели связывать российские данные с мировыми исследованиями, документацией, инженерными практиками и профессиональной терминологией. В результате русскоязычный интерфейс может сохраниться, а глубина ответов — нет.
Для российских команд риск выше, чем для крупнейших зарубежных разработчиков. Они сильнее зависят от открытых источников: собственный сбор, лицензирование и оцифровка массивов требуют денег, инфраструктуры и времени. При этом регулирование авторских прав становится не отвлеченной юридической дискуссией, а частью технологической конкуренции. Авторы исследования предлагают искать баланс: защищать правообладателей, не закрывая весь доступный материал для обучения. Если правила резко сократят корпус, восполнить выпавшие данные несколькими промптами, разумеется, не получится.
Отдельная возможность — российские массивы, которых пока нет в открытом интернете: библиотечные фонды, архивы, образовательные и научные коллекции, отраслевые справочники. Их аккуратная оцифровка и легальный доступ могли бы усилить модели в медицине, строительстве, геологии и праве — там, где важны отечественные нормы, документация и накопленный опыт. Для бизнеса это потенциально полезнее очередного универсального чат-бота: ценность появляется, когда модель умеет работать с предметной базой конкретной отрасли и встраивается в процессы, а не просто поддерживает беседу.
Директор Института ИИ ИТМО Александр Бухановский предлагает не дублировать отраслевую работу в каждой крупной компании: профессиональные знания можно оформлять в интеллектуальных агентов, обмениваться ими или предоставлять на коммерческих условиях. Идея не отменяет конкуренцию между вендорами, но задает более реалистичную повестку для рынка: базовые корпуса, методики и часть прикладных компонентов выгоднее развивать совместно, чем много раз обучать похожие решения на одной и той же литературе.
Для разработчиков и заказчиков вывод практический: российские LLM стоит оценивать не только по беглости русского ответа, но и по происхождению данных, качеству отраслевого корпуса и способности модели работать в многоязычной среде. Локальная специализация может стать устойчивым преимуществом лишь при доступе к глобальному знанию. Вопрос ближайших лет — сумеют ли государство, бизнес, научные организации и open-source-сообщество договориться о таком доступе до того, как разрыв в ресурсах снова станет важнее качества русскоязычного контекста.