Яндекс объединил текст и картинки Алисы в одну модель — и честно показал, где отстаёт от Gemini и Qwen
Яндекс перевёл голосового помощника Алиса на единую омнимодель: вместо двух разных нейросетей — текстовой LLM и визуальной VLM — теперь работает одна, с общими весами для текста и картинок. Разработка заняла почти год, а часть результата уже в проде: с апреля на этой архитектуре работает решатель учебных задач по фото. В сравнении на новых замерах модель уверенно обходит собственную февральскую версию и Qwen 3.5 397B, но признанно уступает Qwen 3.5 в режиме мышления и флагманскому Gemini 3.1 Pro.
Команда Алисы рассказала на Хабре, как за почти год перевела голосового помощника с двух раздельных моделей — текстовой LLM и визуальной VLM — на одну омнимодель: и текст, и картинки теперь живут в общем наборе весов, а не «склеены» отдельным энкодером поверх LLM. Ключом стала архитектура MoE (Mixture of Experts) — она впервые позволила Яндексу совместить модальности без просадки текстового качества, которая раньше была неизбежной платой за визуальные способности.
Обучение шло тремя последовательными стадиями — претрейн, SFT, RL — и именно RL, по словам авторов, дал главный прирост качества: проверяемые награды (RLVR) хорошо переносятся на большую модель, а обучение на предпочтениях (RLHF) — заметно тяжелее и нестабильнее. Первый ощутимый результат этого подхода уже в проде: апрельский релиз решателя учебных задач (пользователь присылает фото задачи по геометрии или математике, модель разбирает решение по шагам) дал статистически значимый рост по сессиям на пользователя.
Финальную омнимодель прогнали через внутренний срез, приближенный к реальным запросам, в сравнении с собственной версией полугодовой давности и внешними конкурентами:
Первые два замера — реальный рывок: против Qwen 3.5 397B в апреле у Яндекса был серый паритет, теперь заметный отрыв. Против сильнейших конфигураций — Qwen в режиме мышления и флагманского Gemini 3.1 Pro — команда честно признаёт отставание, хоть и не разгромное; авторы называют этот замер самым полезным, потому что он показывает, куда расти дальше.
Что это значит на практике
Алиса — бесплатный голосовой помощник Яндекса, доступный без VPN и оплаты российской картой, поэтому для читателей из РФ переход на омнимодель — это в первую очередь про качество уже знакомого сервиса, а не про доступ к новому. Часть эффекта пользователи уже видят: решатель учебных задач по фото работает на новой архитектуре с апреля. Остальные сценарии, где раньше требовалось «переключение» между текстовым и визуальным ответом Алисы, по словам команды, тоже переходят на единую модель — с оговоркой, что по силе на сложных задачах Яндекс сам признаёт разрыв с топовыми Gemini и Qwen в режиме мышления.
Источник: Яндекс
Упомянутые инструменты
Не пропускать важное
Заведите кабинет: добавьте нейросети, которыми пользуетесь, — и получайте только то, что касается именно их. Цены, тарифы, доступность из России, письмо перед списанием. Бесплатно.
