То есть китайские ии рисуют участника СВО, американские без проблем рисуют участников СВО. А отечественные бедолаги, которые "пыхтят над ai видите ли переживают, что
"их взьебут такие как ты если они че не так нарисуют". Как же, охотно верю, что именно это и является главной причиной, по которой Гигачат без проблем рисует участника войны во Вьетнаме, но боится рисовать участников СВО.
Лицемерные, двужопые моральные уроды.

🔹🔹 @notes_veterans
🔹🔹🔹🔹🔹🔹🔹🔹

🪂 Новороссийские десантники уничтожили в Приморском на Запорожском направлении группу ВСУ, которая проникла в здание заброшенной школы.

🚀 Операторы БПЛА ВДВ 108-го полка во время ведения воздушной разведки выявили группу противника из 6 военнослужащих, которая проникла в Приморское, с целью закрепиться в здании заброшенной школы, после того как наши дроноводы нанесли удар по сосредоточению вражеской группы в школе, ВСУшники перебежали в соседнее здание, где также были накрыты ударом дрона подразделениями Новороссийских десантников.

▫️ Дневник Десантника

📲 Дневник Десантника в МАХ

Наши мальчики из Яндекса так же пыхтят над ai.

🔹🔹 @notes_veterans
🔹🔹🔹🔹🔹🔹🔹🔹

Я знаю над чем пыхтят мальчики из Яндекса и Гигачата - как сделать так, чтобы и в России работать и за границу без проблем ездить или вовсе оттуда на удаленке работать. Вот над чем реально пыхтят ребята.

🔹🔹 @notes_veterans
🔹🔹🔹🔹🔹🔹🔹🔹

Вот объективный комментарий специалиста о том, над чем пыхтят мальчики из Яндекса и Гигачата и чей ai:

Важно сразу зафиксировать базовый тезис: речь идёт не о готовых отечественных LLM, созданных с нуля, а о решениях, построенных поверх чужих open source foundation-моделей. Это принципиально. Ни Яндекс, ни Сбер в своих актуальных флагманах не представили самостоятельную базовую модель полного цикла — с собственным обучением фундаментальных весов. В обоих случаях используется открытая иностранная основа, поверх которой выполняется адаптация.

В случае Яндекс эта зависимость наиболее очевидна. Новая Алиса AI инициализирована весами Qwen3 (235B), то есть в качестве интеллектуального фундамента используется уже обученная китайская модель. Это не дообучение «с нуля» и не собственный pretrain, а стандартная практика инициализации open source весов с последующей локализацией. Да, формально это легально, технологически оправдано и широко применяется во всём мире. Но называть такой продукт «собственной моделью» в строгом смысле — некорректно. Это адаптированный open source.

YandexGPT5 Lite — ещё один показательный пример. Там используется архитектура Llama, то есть снова open source фундамент. Факт наличия собственной надстройки, инструктивного дообучения и русскоязычных датасетов не отменяет ключевого момента: базовая модель заимствована. Архитектура и фундаментальные способности заданы не внутри Яндекса.

У Сбер ситуация аналогичная, но ещё более прозрачная. Две опенсорс-модели 2024 и 2025 годов прямо основаны на DeepSeek-2. GigaChat 3 Ultra демонстрирует устойчивое поведенческое и архитектурное сходство с DeepSeek v3 — по стилю reasoning, по структуре ответов, по сильным и слабым местам. Это не «подозрение пользователей», а воспроизводимое сходство, которое легко увидеть при сравнительном тестировании. Сам Сбер это по сути и не скрывает, аккуратно используя формулировки про «вдохновение архитектурой».

И здесь ключевое: open source — это не «ничей». Это уже обученный интеллектуальный фундамент, в который вложены миллионы GPU-часов, инженерные решения и годы оптимизаций. Российская сторона в этой схеме не создаёт фундамент, а работает с готовым. Это означает зависимость не только технологическую, но и качественную: сильные стороны, ограничения и потолок возможностей изначально заданы оригинальной моделью.

На этом фоне особенно болезненно выглядит функциональное отставание. Оригинальные Qwen и DeepSeek предоставляют полноценный tool calling, structured output, function schema и стабильную работу с инструментами даже в open source релизах. Российские производные — YandexGPT5 Lite и GigaChat 3 Lightning — либо не имеют полноценного вызова инструментов, либо он реализован в экспериментальном, нестабильном виде. Получается парадокс: берётся open source база, но ключевые современные возможности теряются на этапе адаптации.

Ещё один парадокс — экономика. Китайские open source-производные в публичных облаках стоят на порядок дешевле. Модель уровня DeepSeek v3.x обходится примерно в 20 рублей за миллион входящих и 40 рублей за миллион исходящих токенов. Российские решения — от 400 до 2000 рублей за миллион токенов, зачастую без разделения входа и выхода. Разница — до 50 раз. При этом по качеству, честно говоря, паритета нет: ни по общему reasoning, ни по tool calling, ни по кодогенерации.

Да, причины высокой цены понятны и лежат вне ML. Санкции на современные GPU, дефицит серверного железа, невозможность масштабирования через зарубежные облака, ограничения ФЗ-152 по персональным данным. Всё это делает обучение и инференс дорогими. Но это объясняет, почему дорого, а не зачем делать 235B и 702B.

Здесь возникает главный вопрос. Зачем брать огромную open source модель, терять часть её исходных способностей при русификации и RLHF, лишаться продвинутых функций вроде tool calling, а затем продавать результат по цене, сравнимой с топовыми американскими frontier-решениями? Причём при том, что эти frontier-решения объективно сильнее.

🔹🔹 @notes_veterans
🔹🔹🔹🔹🔹🔹🔹🔹