Новости
«Яндекс» открыл модель Alice AI Foundation: 80 млрд параметров
21 сентября «Яндекс» опубликовал на Hugging Face претрейн-версию Alice AI Foundation LLM: 80 млрд параметров, архитектура Mixture of Experts, лицензия Apache 2.0. Вместе с весами открыты два русскоязычных бенчмарка на фактологию — WikiWebFacts и HardMultiQA.
Редакция SUIN.AI · · ~6 мин
21 сентября 2026 года «Яндекс» выложил в открытый доступ большую языковую модель Alice AI Foundation LLM. Это претрейн-версия на 80 миллиардов параметров с архитектурой Mixture of Experts («смесь экспертов»), обученная с нуля и опубликованная на Hugging Face под лицензией Apache 2.0. Вместе с весами компания открыла два русскоязычных бенчмарка на фактологию — WikiWebFacts и HardMultiQA.
Что произошло
Модель называется AliceAI-Foundation-80B-A3B-Base и лежит на Hugging Face в открытом доступе. Технические подробности компания описала в своём блоге на Хабре, о релизе сообщил CNews. Ключевое здесь не размер, а сочетание трёх вещей: обучение с нуля, свободная лицензия и открытые тесты.
- 80 миллиардов параметров, архитектура Mixture of Experts. На каждый запрос работает не вся сеть, а часть — по принятой в отрасли нотации буква A3B в названии означает около 3 миллиардов активных параметров на токен.
- Обучена с нуля. Это не дообучение чужих весов: модель прошла предобучение как самостоятельная разработка, и русский язык в ней родной, а не «переведённый».
- Лицензия Apache 2.0. Одна из самых мягких: разрешает коммерческое использование, доработку и встраивание в закрытый продукт без раскрытия своего кода.
- Это Base, а не готовый ассистент. Выложена претрейн-версия — фундамент, а не чат-модель, которую можно спросить о погоде.
- Открыты два бенчмарка. WikiWebFacts и HardMultiQA идут с эталонными ответами и протоколами оценки, то есть их можно воспроизвести, а не поверить на слово.
Чем претрейн отличается от готового ассистента?
Базовая модель умеет продолжать текст, но не умеет следовать инструкциям. Она не знает, что на вопрос надо отвечать, а на просьбу «составь таблицу» — составлять таблицу: этому модель учат отдельно, на этапе дообучения под инструкции и выравнивания под безопасные ответы. Поэтому сравнивать свежие открытые веса с привычным чат-помощником некорректно — это разные стадии одного пути. Зато именно база даёт свободу: на ней можно построить собственного специализированного помощника, а не подстраиваться под чужие настройки.
Зачем открывать бенчмарки вместе с моделью?
До сих пор на вопрос «какая нейросеть лучше отвечает по-русски» честного ответа не существовало. Качество измеряли переводными тестами, где половина ошибок — это ошибки перевода, а не модели. Два открытых набора с эталонными ответами и описанной процедурой проверки — это попытка завести общую линейку. Хорошая новость для всех, кто выбирает модель: появилась метрика, которую можно прогнать самому, а не читать в чужой презентации. Как открытые веса вообще соотносятся с закрытыми сервисами, мы разбирали в материале «Открытые модели против закрытых».
И что стоит знать
Мы не пересказываем пресс-релизы. Вот что стоит за формулировками, которые вы увидите в новостных лентах.
| Что сказано | Что за этим стоит |
|---|---|
| «Модель в открытом доступе» | Скачать — бесплатно. Эксплуатировать — нет. Для 80 миллиардов параметров нужны серверные видеокарты, место под веса и инженеры, которые всё это поднимут и будут держать в рабочем состоянии. |
| «Лицензия Apache 2.0» | Действительно свободная: коммерческое использование разрешено, раскрывать свой код не требуется. Но ответственность за то, что модель напишет вашему клиенту, лицензия вам не компенсирует. |
| «80 миллиардов параметров» | В архитектуре «смесь экспертов» на каждый токен работает лишь часть сети — это дешевле по вычислениям. Память под веса всё равно нужна под весь объём, а не под активную часть. |
| «Обучена с нуля» | Это важное отличие от дообученных зарубежных баз: русский в такой модели не вторичен. Но само по себе обучение с нуля не гарантирует, что она сильнее конкретной зарубежной модели на вашей задаче. |
| «Открыты бенчмарки» | Заявка на общую систему координат. Она полезна ровно настолько, насколько её примут другие команды и начнут публиковать свои результаты на тех же наборах. |
Что с этим делать прямо сейчас
- Если у вас строгие требования к данным — например, переписка и документы не должны покидать контур компании, — это как раз ваш случай. Открытые веса пока единственный законный способ держать сильную модель внутри периметра.
- Если вы собираете собственный продукт на своей инфраструктуре — оцените железо до того, как качать веса. Посчитайте память под модель, пропускную способность и реальное число одновременных запросов, а не пиковую цифру из демонстрации.
- Если вы выбираете модель для работы — добавьте WikiWebFacts и HardMultiQA в свою приёмку рядом с собственными примерами. Тест на фактологию по-русски ловит именно тот класс ошибок, из-за которого потом приходится перепроверять каждый абзац.
- Если вам нужен результат, а не модель — не разворачивайте ничего. Открытые веса ценны свободой, а не удобством: с базовой версией придётся работать как с полуфабрикатом.
- Следите за появлением инструктивной версии. Именно она покажет, на что модель способна в разговоре. До неё любые сравнения с привычными помощниками — гадание.
Большинству команд интереснее не «запустить модель», а закрыть задачу целиком: разобрать почту, поднять данные из документов, посчитать и отдать готовый файл. На нашей платформе это делают ИИ-агенты — они подключаются к рабочим системам и доводят задачу до результата, а выбор модели остаётся настройкой, которую можно менять хоть каждый день. Посмотреть, какие текстовые модели доступны сейчас, можно в каталоге, а как выглядит крупнейшая открытая модель в деле — в разборе Kimi K3.
Читать дальше
- Китайские нейросети: сравнение — кто ещё выкладывает сильные модели в открытый доступ и чем они отличаются.
- Обзор Kimi K3 — как устроена одна из самых крупных открытых моделей и что она умеет на практике.
- Какая нейросеть лучше в 2026 году — честное сравнение без рекламных обещаний.
- Каталог нейросетей — все доступные модели в одном месте, с описанием сильных сторон каждой.
Если хочется не разворачивать сервер, а просто проверить, как сильная модель справится с вашей задачей — заведите аккаунт на платформе: стартовых нейронов хватит, чтобы прогнать свои настоящие рабочие примеры через несколько моделей и сравнить ответы самому.