«Наши две флагманские языковые модели входят в число лучших в мире». Проверяем по открытому рейтингу

в 20:29, , рубрики: ИИ, искусственный интеллект, мир, МТС, Сбер, тинькофф, яндекс
 Рис. 1. Отставание российских моделей от мирового лидера по версии llmarena.ru (краудсорсинговый рейтинг на русском языке; снимок осени 2026 года)

Рис. 1. Отставание российских моделей от мирового лидера по версии llmarena.ru (краудсорсинговый рейтинг на русском языке; снимок осени 2026 года)

18 ноября на деловом саммите АТЭС в Шэньчжэне Владимир Путин заявил: «Россия находится в авангарде цифровой трансформации. Наши две флагманские языковые модели входят в число лучших в мире» (по сообщению агентства «Прайм»). Фраза мгновенно разошлась по новостям, но самое интересное в ней не пафос, а проверяемость: в России четыре больших семейства языковых моделей, и почти все они участвуют в открытых рейтингах, где место определяется голосами живых пользователей, а не пресс‑релизом.

Я не ML‑инженер и не претендую на роль судьи: мой максимум — навайбкодить лабораторные в вузе, а от нейросети мне важно, чтобы она отвечала на русском и не требовала VPN. Поэтому вместо споров о «лучших в мире» я заглянул в открытый краудсорсинговый рейтинг llmarena.ru, собрал данные по всем четырём семействам и сверил их характеристики с заявлениями разработчиков. Спойлер: одна российская модель действительно сидит в мировом топ-10 — но общая картина сложнее, чем заголовок новости.

Что значит «в числе лучших»: как устроен открытый рейтинг

LLM Arena (llmarena.ru) — краудсорсинговая площадка для сравнения больших языковых моделей на русском языке. Механика простая: пользователь задаёт вопрос, на него анонимно отвечают две случайные модели, человек голосует за лучший ответ и только после голосования видит название модели. Из миллионов таких парных дуэлей по модели Брэдли‑Терри — той же математике, что стоит за шахматным рейтингом Эло, — считается итоговый балл: чем чаще модель выигрывает, тем выше её Elo.

На момент подготовки материала в рейтинге 112 моделей, а голоса собираются непрерывно; в моём срезе учтены данные вплоть до 9 ноября 2026 года. Важно понимать ограничение метода: Elo здесь измеряет «чей ответ людям понравился чаще», а не «какая модель решит олимпиадную задачу». Зато это единственная метрика, где сравнение идёт вслепую и без участия разработчиков.

Кто эти «две флагманские»: четыре российских семейства

В России четыре больших семейства LLM: GigaChat у Сбера, Alice AI LLM у Яндекса, T‑Pro и T‑Lite у Т‑Технологий и Cotype у MWS (экосистема МТС). Развиваются они быстро, поэтому начну с коротких справок в актуальном состоянии.

GigaChat — флагман с открытыми весами

GigaChat Сбера развивается с апреля 2023 года и вырос из экспериментального чата в мультимодальную платформу: помимо текста, семейство работает с документами, аудио и изображениями — в стеке собственные ruGPT-3.5 и FRED‑T5, ruCLIP для связи текста с картинкой и Kandinsky для генерации изображений. Текущий флагман — GigaChat 3.5 Ultra, выпущенный в июле 2026 года: архитектура MoE, 432 млрд общих параметров (28 млрд активных), контекст 262 тысячи токенов, а генерация длинных текстов, по данным Сбера, ускорилась до четырёх раз по сравнению с прошлым поколением. Главная особенность — открытые веса: модель выложена на Hugging Face под лицензией MIT, то есть её можно скачать, дообучить и крутить на своём железе. Подробности — в разборе на Хабре.

Alice AI LLM — ассистент, вросший в экосистему

Яндекс в октябре 2025 года перевёл «Алису» с YandexGPT на новое семейство Alice AI LLM: флагман построен на архитектуре MoE, включает 235 млрд параметров и обучен с нуля на русскоязычных текстах и данных экосистемы. Модель закрытая, но её сила — не в весах, а в интеграции: она отвечает в поиске, браузере и колонках, а через API в Yandex AI Studio и агентные сценарии доводит дела до конца — бронирует столик, собирает корзину, оформляет заказ в «Яндекс Такси» и «Еде». 21 сентября 2026 года Яндекс выложил в открытый доступ претрейн‑версию Alice AI Foundation на 80 млрд параметров (3 млрд активных), разрешив коммерческое использование; технические детали — в публикации на Хабре.

T‑Pro и T‑Lite — банковский путь через дообучение

Т‑Технологии (Т‑Банк) представили семейство Gen‑T в декабре 2024 года. Первые модели строились на базе Qwen 2.5 и проходили глубокое дообучение на русскоязычном корпусе — по словам разработчика, такой подход сократил расходы примерно на 90% по сравнению с обучением с нуля. Актуальные версии T‑pro‑it-2.0 и 2.1 переехали уже на Qwen 3: 32 млрд параметров, упор на следование инструкциям и вызов инструментов. Веса открыты под Apache 2.0 (карточка модели на Hugging Face), лёгкая T‑Lite на 7 млрд параметров рассчитана на быстрых чат‑ботов и стандартное железо.

Cotype — не ассистент, а офисный инструмент

MWS из экосистемы МТС пошла другим путём: вместо универсального чата — модели для бизнеса, обученные на деловой переписке и корпоративных документах. Линейка разложена по задачам: Pro 3 на 27 млрд параметров держит контекст в 262 тысячи токенов — примерно годовой отчёт целиком; Light 3 на 9 млрд — для типовых процессов; мультимодальная VL на 32 млрд читает рукописный текст со сканов; открытая Nano на 1,5 млрд годится для черновиков. В независимом бенчмарке MERA Pro 3 заняла третье место, уступив только моделям в несколько раз большего размера (обзор MWS AI на Хабре).

Таблица 1. Четыре российских семейства LLM (по данным разработчиков)

Семейство

Параметры

Контекст

Веса

Фокус

GigaChat 3.5 Ultra (Сбер)

432 млрд, MoE (28 млрд активных)

262 тыс. токенов

Открытые, MIT лицензия

Универсальная модель: текст, код, документы

Alice AI LLM 1.0 (Яндекс)

235 млрд, MoE

н/д

Закрытые; открыта претрейн‑версия Foundation 80B

Ассистент и агенты в экосистеме Яндекса

T‑pro‑it-2.1, T‑Lite (Т‑Технологии)

32/ 7 млрд

н/д

Открытые, Apache 2.0

Русский язык, tool calling, агенты

Cotype Pro 3, Light 3, VL, Nano (MWS)

27/ 9 / 32 / 1,5 млрд

до 262 тыс. (Pro 3)

Открыта Nano

B2B: договоры, документы, сканы

н/д — не раскрыто в открытых источниках. Характеристики меняются от версии к версии;

Место в мировом рейтинге: сверяем заявление с цифрами

Президент сказал «две». Если мерить открытым рейтингом, две сильнейшие российские модели очевидны. На срезе llmarena.ru середины ноября 2026 года GigaChat 3.5 занимает седьмое место в мире с Elo 1121 — рядом GPT-5.2 (1122) и DeepSeek V3.2 (1119), а лицензия у него в таблице помечена как открытая. Alice AI LLM — двадцатое место и 1069 очков, по соседству с Gemma 3 27B и Claude Sonnet 4.

 Рис. 2. Фрагмент лидерборда llmarena.ru: GigaChat 3.5 на седьмом месте (снимок автора, ноябрь 2026)

Рис. 2. Фрагмент лидерборда llmarena.ru: GigaChat 3.5 на седьмом месте (снимок автора, ноябрь 2026)

С преследователями честнее быть осторожным: T‑pro‑it-2.0 по срезу сентября 2026 года — 36-е место с Elo 1024, а модели Cotype в публичном лидерборде не представлены вовсе — MWS пока позиционирует их как B2B‑продукт.

 Рис. 3. Фрагмент лидерборда llmarena.ru: Alice AI LLM на двадцатом месте (снимок автора, ноябрь 2026)

Рис. 3. Фрагмент лидерборда llmarena.ru: Alice AI LLM на двадцатом месте (снимок автора, ноябрь 2026)

Для масштаба — мировая шеренга того же среза: Gemini 3 Pro Preview — 1199, Qwen3.6 Max — 1165, GPT-5.4 — 1161, Claude Opus 4.7 — 1149. Отставание GigaChat от лидера — 78 пунктов Elo, у Alice — 130, у T‑pro — 175 (диаграмма в начале статьи показывает этот разрыв наглядно). Поскольку рейтинг живой, места меняются: в сентябрьском срезе Alice, например, была девятнадцатой при тех же 1069 очках — поэтому рядом с любой цифрой из этой статьи стоит держать дату среза.

Второй эшелон: где наши сильны, а где нет

Честный ответ на вопрос заголовка: обе модели относятся ко второму эшелону мирового рейтинга, и стыдиться этого не нужно. Проигрыш мировым лидерам концентрируется там, где нужны длинные агентные цепочки, сложный многоступенчатый код и строгая многошаговая логика: в этих дисциплинах голоса пользователей стабильно уходят Gemini, GPT и Claude, а китайские открытые DeepSeek и Qwen тоже стоят выше.

Зато на своём поле наши модели выглядят убедительно. Рейтинг собирается на русскоязычных запросах — и GigaChat в общем зачёте обгоняет GPT-5.2, то есть для задач на русском языке он в мировом топ-10. Добавьте сюда цену и доступность, открытые веса GigaChat, T‑Pro и Alice Foundation (западные флагманы такого не дают в принципе) и интеграцию в реальные сервисы — банк, поиск, такси, маркетплейсы. Для типовых офисных задач — письмо, перевод, резюме документа — разрыв с мировыми лидерами на практике малозаметен.

Что в итоге

В мире наши обе модели относятся ко второму эшелону, они проигрывают мировым лидерам (Gemini 4, Claude 5.5, GPT-6 и ряду китайских моделей) в сложном программировании, многошаговых агентных сценариях и логических задачах. Но мы должны понимать, что регионально и на русском языке эти модели действительно могут показать достойный уровень качества ответов, входя в топ-20 рейтинга на русском языке.

Автор: akashick_field

Источник

* - обязательные к заполнению поля


https://ajax.googleapis.com/ajax/libs/jquery/3.4.1/jquery.min.js