Исследование: российским нейросетям не хватает русскоязычных данных
Отечественные большие языковые модели хорошо справляются с задачами, связанными с русским языком, историей и культурным контекстом, однако их дальнейшее развитие может замедлиться из-за дефицита качественных данных для обучения. К такому выводу пришли авторы исследования, проведенного Институтом искусственного интеллекта ИТМО совместно с экспертами МГУ, РАНХиГС, ВШЭ и AIRI. Данную информацию сообщает портал Ferra.
Как сообщает «Газета.Ru», в начале 2026 года первые шесть мест в российском бенчмарке SLAVA, который включает 14 тысяч вопросов по истории, обществознанию и географии России, заняли отечественные модели. При этом русскоязычный сегмент интернета примерно в 10–20 раз меньше общемирового.
Эксперты полагают, что для развития универсальных моделей необходимо использовать многоязычные массивы информации. Оптимальная доля русскоязычных материалов в обучающей выборке, по их оценке, может составлять от 5 до 30%.
Авторы исследования подчеркивают, что русскоязычные данные влияют не только на естественность речи модели, но и на знание российских реалий, истории, права и культурного контекста. При этом универсальной модели нужен и мировой массив знаний. Ключевой вопрос, по их словам, — не выбор между российскими и иностранными данными, а работа с максимально разнообразным корпусом.



