Русскоязычные LLM: отечественные разработки в сравнении с глобальными адаптациями

Современные языковые модели (они же LLM, они же Large Language Models) становятся все более востребованными практически во всех сферах. LLM уже не просто инструмент, а важнейшая часть технологического прогресса, позволяющая автоматизировать работу с текстами, проводить анализ данных, генерировать контент и даже серьезно помогать в обучении.

На фоне ограничений доступа к западным технологиям и растущей цифровизации, в России активно развивается рынок местных решений. Это связано не только с необходимостью соблюдения локальных стандартов, но и с увеличением спроса на инструменты, которые могут учитывать специфику русского языка и культурного контекста.

Русскоязычные модели делятся на две большие группы:

1. Отечественные разработки, созданные полностью в России и адаптированные под местную культуру,.

2. Переведенные и адаптированные модели, изначально созданные за рубежом, но дообученные для работы с русским языком.

Эта статья посвящена сравнению доступных моделей, их сильных и слабых сторон, а также перспективам их применения. Мы разберем основные достижения российских разработчиков, возможности русскоязычных адаптаций зарубежных систем и сделаем выводы о будущем рынка.

Российские разработки

Отечественный рынок языковых моделей активно развивается, несмотря на серьёзные вызовы. Ограниченный доступ к высокопроизводительным вычислительным ресурсам и высокая стоимость обучения крупных моделей затрудняют конкуренцию с мировыми лидерами, такими как OpenAI, Anthropic или DeepSeek. Тем не менее, российские компании наподобие Сбербанка и Яндекса, а также ряд независимых стартапов, постепенно занимают свою нишу, предлагая решения, адаптированные под локальные задачи.

Ключевой особенностью отечественных моделей является их глубокая адаптация под специфику русского языка и локальных данных. Такие модели ориентированы на широкий спектр задач — от автоматизации общения в бизнесе до улучшения взаимодействия с пользователями в цифровой среде.

Популярные российские LLM

GigaChat позволяет генерировать тексты, отвечать на вопросы и выполнять другие задачи на русском языке. Одно из ее применений — автоматизация общения с клиентами и создание текстового контента для бизнеса. Однако модель пока ограничена в гибкости, что затрудняет ее использование в более сложных и творческих задачах. При этом с ней можно работать через API. Тем не менее, использование ограниченной базы данных для обучения иногда приводит к недостаткам в генерации текстов, особенно в узкоспециализированных областях.

Разберем чуть подробнее:

1. Генерация текстов
   GigaChat умеет создавать тексты различных типов: от деловых писем до маркетинговых материалов. Например, модель может сгенерировать коммерческое предложение с учетом вводных данных о клиенте, включая его потребности. Среднее время создания текста объемом 500 слов составляет 15 секунд.

2. Автоматизация клиентских запросов
   Внедрение GigaChat в колл-центры позволяет обрабатывать типовые вопросы, такие как:

   • Статус заказа

   • Условия доставки

   • Уточнение времени работы офиса
     Модель распознает запросы пользователя и предлагает готовые ответы, которые операторы могут подтвердить или изменить. Точность предсказаний в подобных сценариях составляет 89%.

3. Анализ текста
   GigaChat может резюмировать длинные документы. Например, из отчета на 20 страниц модель выделяет основные пункты (время обработки — около 30 секунд) и предоставляет их в структурированном формате.

4. Работа через API
   Для бизнеса доступна интеграция GigaChat через API. Это позволяет автоматизировать рутинные процессы, например:

   • Автоматическое написание пояснений к счетам

   • Подготовка шаблонов для юридической документации

5. Образование
   GigaChat тестировалась в образовательных проектах, где использовалась для проверки грамматики и стилистики текстов, а также для создания кратких резюме научных статей. Средняя точность выделения ключевых идей из научного текста — 84%.

Другой пример – Яндекс GPT. Она интегрирована в экосистему компании, включая голосового помощника Алису, поисковые алгоритмы и инструменты перевода. Хотя эта модель демонстрирует высокую производительность в реальном времени и обеспечивает качественную транскрибацию, ее закрытость для внешних разработчиков и узкая направленность ограничивают ее применение за пределами экосистемы Яндекса.

Модель специализируется на задачах, связанных с обработкой речи, поиском и переводом. Ее основные функции включают:

1. Транскрибацию речи
   Модель способна преобразовывать аудиофайлы в текст с точностью 92%. Пример: запись лекции длительностью 1 час конвертируется в текст за 8 минут. Яндекс GPT распознает до 99% слов даже в условиях фонового шума.

2. Обработку голосовых запросов
   Интеграция с голосовым помощником Алиса позволяет обрабатывать запросы пользователей в реальном времени. Например, запрос «Покажи ближайшие кафе с рейтингом выше 4.5» обрабатывается за 1–2 секунды, включая локализацию информации.

3. Машинный перевод
   Яндекс GPT используется в сервисах перевода текстов. К примеру, документ объемом 1000 слов переводится с английского на русский за 10 секунд. Точность перевода улучшена за счет дообучения модели на юридических и технических терминах.

4. Интеграцию в поиск
   Модель анализирует длинные поисковые запросы, выделяя главное, и предлагает результаты, учитывая контекст. Например, запрос «купить смартфон с хорошей камерой для ночной съемки» приводит к точным рекомендациям с учетом фильтров.

5. Голосовую синтезацию
   Для пользователей умных колонок модель генерирует осмысленные ответы на голосовые команды, например, создание напоминаний или управление умным домом.

6. Работу в реальном времени
   Благодаря оптимизации Яндекс GPT обрабатывает запросы пользователей без задержек. Например, при редактировании документов модель предлагает исправления на основе контекста в течение 1 секунды.

Еще одна модель Cotype — LLM, созданная MTS AI для работы с текстами на русском языке. Ее задачи включают автоматизацию коммуникаций, анализ документов и данных, а также генерацию контента. Модель ориентирована на использование в таких отраслях, как финансы, клиентский сервис, маркетинг, HR и образование.

Особенности модели
Cotype может разворачиваться на локальной инфраструктуре для обеспечения безопасности данных. Она интегрируется с бизнес-системами, такими как почтовые сервисы, Jira и внутренние базы данных. Благодаря технологии Retrieval Augmented Generation (RAG), модель предлагает улучшенный поиск по базе знаний и точные ответы. 

Преимущества и ограничения
Cotype отличается безопасностью, благодаря работе on-premise, а также доступностью разных версий, включая “Cotype Nano” для малого бизнеса. Однако модель обрабатывает тексты длиной до 4 тысяч токенов и может потребовать настройки для узкоспециализированных задач.

Примеры применения
Cotype используется для автоматизации проверки документов в банках, поддержки клиентов через чат-боты, генерации текстов для маркетинга, автоматизации подбора сотрудников и создания учебных материалов.

Еще одна модель это T-Pro, разработанная группой «Т-Технологии» (Тинькофф) для обработки и генерации текстов на русском языке. Модель точно также создана для решения сложных задач в различных отраслях, включая финансы, клиентский сервис, маркетинг, HR, образование и аналитику. Она ориентирована на адаптацию под специфические сценарии использования, а её производительность подтверждена высокими показателями на бенчмарках. 

Особенности модели
T-Pro имеет 32 миллиарда параметров и поддерживает два основных режима работы:

• Дообучение для настройки на специфичные задачи. Например, разработка систем анализа данных для банковского сектора.

• Интерактивный режим для использования в формате диалога, что делает её удобной для внедрения в чат-боты и цифровых ассистентов. 

Модель построена на базе архитектуры Qwen-2.5 и обладает расширенными возможностями анализа больших текстов. 

Задачи и примеры применения:

1. Финансовая аналитика
   T-Pro может использоваться для автоматической обработки финансовых отчетов и анализа данных о кредитах или транзакциях. Например, модель способна обрабатывать большие объемы информации, выявляя потенциальные риски или формируя отчеты для внутреннего аудита, что помогает экономить время и повышать точность аналитики.

2. Клиентский сервис
   Модель отлично подходит для создания интеллектуальных чат-ботов, которые обеспечивают поддержку пользователей без необходимости строгого следования скриптам. Чат-бот на базе модели может отвечать на вопросы клиентов банка: уточнять статус платежей, рассчитывать условия кредита или помогать с блокировкой карт, значительно упрощая взаимодействие с клиентами.

3. Маркетинг и продажи
   В маркетинге T-Pro используется для генерации текстов рекламных кампаний и создания персонализированных предложений для клиентов. Например, модель может формировать рассылки, учитывая предпочтения и историю покупок клиентов, а также анализировать эффективность рекламных стратегий.

4. Образование
   В сфере образования T-Pro помогает создавать учебные материалы, проверять задания и разрабатывать курсы. Например, она может генерировать материалы для обучения финансовой грамотности или автоматизировать оценку домашних заданий, предлагая обратную связь студентам.

5. Генерация технической документации
   T-Pro эффективно справляется с созданием инструкций, описаний процессов и технической документации. Например, модель может формировать руководство для IT-отдела, описывая процессы настройки систем безопасности или обновления программного обеспечения.

6. Анализ данных и отчетов
   Для анализа данных T-Pro может резюмировать большие объёмы текстовой информации и выделять ключевые идеи. Например, при обработке годового отчёта компании на 200 страниц модель извлекает основные показатели и выводы, что сокращает время на изучение документа.

7. Юридические задачи
   LLM также используется для автоматизации подготовки юридических документов. Например, она может формировать шаблоны договоров или анализировать условия контрактов на предмет наличия рисков, помогая снизить нагрузку на юридические отделы.

Преимущества:

• Высокая производительность на задачах анализа и генерации текстов

• Универсальность для работы в разных отраслях

• Открытая доступность для использования российскими компаниями

Ограничения

• Обработка текстов ограничена 8 тысячами токенов.

• Требует значительных вычислительных ресурсов для эффективного использования.

Адаптированные модели

Эти модели изначально разрабатывались на английских данных, но впоследствии были дообучены на русскоязычных текстах. Такой подход позволяет значительно расширить их возможности, однако вызывает и ряд сложностей.

Главной проблемой переведенных моделей остается недостаточное количество качественных русскоязычных данных для обучения. Кроме того, сложность русского языка, его богатая морфология и семантика тоже создают дополнительные препятствия. Несмотря на это, адаптированные модели демонстрируют хорошие результаты, особенно в решении стандартных задач, таких как текстовая генерация, автоматический перевод и анализ данных.

Одной из самых известных адаптированных моделей является все тот же ChatGPT. Эта модель хорошо справляется с русскоязычными запросами благодаря использованию обширного корпуса данных и многократному дообучению. Однако она не всегда учитывает культурный контекст и специфические особенности русского языка, что может приводить к неадекватным или неестественным ответам. Тем не менее, ее универсальность делает ее популярной среди пользователей. Через API ChatGPT в русском сегменте интернета функционирует огромное количество сервисов, платных и бесплатных, и пользуются они огромной популярностью.

Вот что умеет ChatGPT:

1. Генерация текстов
   ChatGPT успешно создает осмысленные и развернутые тексты, такие как статьи, сценарии и диалоги. Например, при написании статьи на 1000 слов модель формирует текст за 20–30 секунд. Однако она иногда демонстрирует шаблонность в ответах, особенно если тема касается специфики российского контекста.

2. Автоматизация контентных задач
   Сервисы, использующие API ChatGPT, активно применяются для написания рекламных текстов, SEO-контента и постов для социальных сетей. По оценкам экспертов, более 30% русскоязычного маркетингового контента в 2024 году было создано с использованием таких инструментов.

3. Переводы
   Модель хорошо справляется с переводом текстов, учитывая контекст. Например, перевод технической документации занимает всего несколько секунд, а точность интерпретации достигает 89%. Однако в юридических и медицинских переводах могут возникать трудности с узкими терминами.

4. Креативные задачи
   ChatGPT широко используется для написания креативных сценариев, рассказов и даже стихов. Например, при создании сюжета для видеоигры модель предлагает проработанные диалоги и детализированные описания персонажей.

5. Интеграция через API
   OpenAI предоставляет API, через которое работают тысячи русскоязычных приложений: чат-боты, образовательные платформы и даже программы для анализа данных. API позволяет адаптировать модель под конкретные сценарии, такие как автоматическая обработка запросов клиентов или генерация отчётов.

Еще одним ярким примером является LLaMA от Meta*, которая предоставляет разработчикам возможность дообучать модель на собственных данных. Это позволяет создавать высокоспециализированные решения, в том числе на русском языке. Проблема здесь заключается в сложности самостоятельного запуска и серьезных ограничениях в доступе к исходному коду.
*Компания признана экстремистской на территории РФ

Особенности LLaMA:

1. Дообучение на собственных данных
   Благодаря открытости модели LLaMA, разработчики могут дообучать ее на специализированных наборах данных. Например, стартап в области медицины использовал LLaMA для создания модели, анализирующей медицинские записи. Это позволило повысить точность диагностики до 87%, что сопоставимо с результатами работы специалистов среднего уровня.

2. Анализ больших данных
   Модель активно используется для анализа текстов, таких как юридические документы или отчеты. Например, обработка большого юридического документа (до 200 страниц) занимает около 3 минут. Модель выделяет ключевые моменты, сокращая время анализа для специалистов.

3. Генерация текстов для узких областей
   После дообучения LLaMA способна генерировать точные тексты для сложных и специализированных тем, например, в области физики или биотехнологий. Это делает её востребованной в научной среде.

4. Интеграция в исследования
   LLaMA используется в университетах для разработки новых моделей. Например, российская команда адаптировала её для автоматического анализа литературных текстов, что сократило время на исследование в три раза.

Модель Google Bard, хотя и менее популярна в России, постепенно улучшает поддержку русского языка. Она отличается высокой точностью в кратких задачах, но пока ограничена в использовании для творческих задач или работы с длинными текстами.

Google Bard развивается как универсальная модель, которая охватывает широкий спектр задач, но пока ограничена в применении для длинных текстов и сложных креативных проектов.

1. Решение кратких задач
   Bard особенно эффективен в кратких аналитических и вычислительных задачах. Например, он может помочь быстро проанализировать данные из таблицы и сформировать краткий отчет.

2. Поиск и справочные задачи
   Модель интегрирована в экосистему Google и хорошо справляется с поисковыми запросами. Например, Bard может сгенерировать список рекомендаций по конкретной теме или объяснить сложное понятие простыми словами.

3. Переводы
   Поддержка русского языка в Bard значительно улучшилась. Модель справляется с переводами небольших текстов, но пока отстаёт от ChatGPT в работе с длинными и сложными документами.

4. Образование
   Bard используется как образовательный помощник, предлагая решения задач, объяснения и упрощённые лекции для школьников и студентов. Например, модель может объяснить математическое уравнение шаг за шагом.

Эти модели показывают, что, несмотря на сложности, связанные с адаптацией, переведённые решения могут успешно конкурировать с локальными разработками, особенно там, где требуется высокая универсальность и гибкость.

Сравнение моделей

Качество и адаптация
Сравнение качества отечественных языковых моделей и адаптированных глобальных систем демонстрирует существенные различия, которые обусловлены подходами к обучению и ресурсами, доступными для разработчиков.

Отечественные модели, такие как GigaChat, Яндекс GPT, Cotype и T-Pro, разрабатываются с учетом языковых и культурных особенностей русского языка. Например, GigaChat обучалась на массиве данных объемом 600 терабайт, включающем разнообразные источники: литературу, СМИ и специализированные тексты. Этот массив данных позволил модели эффективно справляться с задачами, требующими глубокого понимания русскоязычного контекста.

Модель Cotype, созданная MTS AI, выделяется применением технологии Retrieval Augmented Generation (RAG), которая позволяет точно обрабатывать запросы в корпоративных базах данных. Эта технология делает модель востребованной для задач автоматизации документооборота и анализа данных.

Разработанная Тинькофф модель T-Pro имеет 32 миллиарда параметров, что делает ее одной из самых мощных LLM в России. Она оптимизирована для сложных задач, включая автоматизацию финансовых процессов, анализ транзакций и подготовку детализированных отчётов. Благодаря возможности дообучения (fine-tuning), модель легко адаптируется к специфическим задачам бизнеса.

В отличие от локальных разработок, глобальные системы, такие как ChatGPT, используют мультиязычные данные, где русскоязычные тексты составляют лишь 6–8% от общего объема данных. Это снижает точность модели в задачах, связанных с локальными реалиями, такими как юридический или технический анализ. Например, ChatGPT может демонстрировать ограниченную точность в специализированных областях по сравнению с российскими моделями, адаптированными для конкретных сценариев.

Мощность и архитектура
Глобальные языковые модели, такие как ChatGPT, обладают значительным количеством параметров, что обеспечивает высокую производительность и способность решать сложные задачи. Например, версии ChatGPT четвертого поколения построены на архитектуре с сотнями миллиардов параметров, что позволяет им эффективно обрабатывать мультиязычные запросы и генерировать креативные тексты.

Отечественные модели, включая GigaChat, Яндекс GPT, Cotype и T-Pro, создаются с учетом специфики русского языка. Например, Яндекс GPT, интегрированная в голосового помощника Алису, демонстрирует высокую точность в интерпретации сложных русскоязычных запросов благодаря глубокому обучению на локальных данных.

Cotype, разработанная MTS AI, выделяется своим подходом к обработке корпоративных данных. Благодаря технологии Retrieval Augmented Generation (RAG), модель обеспечивает точные ответы при работе с большими массивами информации, что делает ее особенно полезной для автоматизации документооборота и анализа текстов.

Модель T-Pro, созданная Тинькофф, ориентирована на задачи, требующие высокой вычислительной мощности. Ее архитектура позволяет эффективно обрабатывать большие объёмы данных, что делает её востребованной в таких областях, как финансы и клиентский сервис.

Качество генерации
В тестировании генерации текстов GigaChat показал отличные результаты в сценариях, связанных с бизнес-коммуникацией. Например, в задаче создания делового письма для российского рынка GigaChat формирует осмысленные и структурированные ответы в 91% случаев. ChatGPT, хотя и обеспечивает более развернутый ответ, часто не учитывает тонкости русского этикета и специфики делового общения, что снижает качество текста.

Метрики и данные

Для удобства рассмотрим такую таблицу. Поскольку Cotype и T-PRO совершенно новые проекты, многих данных по ним к сожалению нет.

Область применения

На основе доступных источников представляем сравнительный анализ нейросетей ChatGPT, GigaChat и YandexGPT в различных задачах.

1. Точность в бизнес-задачах:

• GigaChat: Согласно некоторым обзорам, GigaChat демонстрирует высокую точность в ответах на бизнес-вопросы, особенно в русскоязычном сегменте.

• ChatGPT: Обладает высокой точностью и универсальностью, однако в специфических бизнес-задачах на русском языке может уступать специализированным моделям.

2. Применимость в креативных задачах:

• ChatGPT: Известен своей способностью генерировать креативный контент, включая написание статей, сценариев и даже стихов.

• GigaChat: Способен создавать уникальные тексты, однако в некоторых случаях может проявлять склонность к шаблонности.

3. Эффективность в транскрибации:

• YandexGPT: Показывает высокую эффективность в обработке текстов на русском языке, что может быть полезно в задачах транскрибации.

• Google Bard: Информация о его эффективности в транскрибации ограничена, однако, учитывая опыт Google в области обработки естественного языка, можно предположить высокое качество работы.

Рекомендации:

• Для бизнес-задач: рекомендуется использовать GigaChat для русскоязычных задач и ChatGPT для англоязычных или многоязычных проектов.

• Для креативных задач: ChatGPT является предпочтительным выбором благодаря своей способности генерировать разнообразный и оригинальный контент.

• Для транскрибации: YandexGPT может быть эффективным инструментом для транскрибации русскоязычных аудио и видео материалов.

Эффективность каждой модели может варьироваться в зависимости от конкретных задач и требований. Рекомендуется тестировать несколько моделей, чтобы определить наиболее подходящую для ваших нужд.

Доступность

Отечественные модели
Российские языковые модели предоставляют значительное преимущество в доступности, особенно для малого бизнеса и образовательных учреждений. Например, GigaChat предлагает бесплатный доступ к базовым функциям через API, что снижает барьер для внедрения искусственного интеллекта. Расширенные тарифы, такие как интеграция для крупных корпоративных клиентов, начинаются от 15 000 рублей в месяц, что остается более доступным, чем аналогичные предложения западных разработчиков.

Модель Яндекс GPT активно используется в экосистеме Яндекса, что делает ее доступной для широкой аудитории. Голосовой помощник Алиса, поисковые запросы и транскрибация работают на основе этой технологии.

Русскоязычные адаптации
Адаптированные модели, такие как ChatGPT, предоставляются по подписке. Для личного использования подписка на GPT-4 стоит $20 в месяц (или расширенная версия за $200), а корпоративное использование через API может достигать $1000 в зависимости от объема запросов. Для российских пользователей это может быть серьезным барьером, особенно для небольших компаний.

У GigaChat при этом нет платных тарифов, однако для полноценной версии Max он требует авторизации через СберID. У YandexGPT платной версии для рядового пользователя также нет, однако для пользователей колонки Алисы есть тариф Pro за 100 рублей в месяц.

Российские решения выигрывают в доступности благодаря локализованной поддержке, низким тарифам и отсутствию зависимости от зарубежных сервисов. Адаптированные модели, напротив, более дорогие в использовании и требуют стабильного интернет-соединения для обращения к облачным ресурсам. По итогу отечественные модели более доступны для малых и средних компаний, в то время как русскоязычные адаптации остаются преимущественно инструментами для крупных корпораций или исследовательских задач.

Общий вывод и тренды

Российские языковые модели демонстрируют уверенное развитие и успешно конкурируют в локальных задачах. Они показывают отличную производительность в обработке русского языка, обладают высокой степенью адаптации к бизнес-процессам и значительно выигрывают в доступности. Однако их ограничения в универсальности и мощности пока не позволяют им выйти на мировой уровень.

Русскоязычные адаптации глобальных моделей, такие как ChatGPT и LLaMA, остаются лидерами в универсальности и масштабируемости. Они отлично справляются с задачами, где требуется мультидисциплинарный подход или работа с большими объёмами данных. Однако их высокая стоимость и меньшее внимание к локальным особенностям снижают их привлекательность для российских пользователей.

Ощутимые тренды:

1. Усиление локализации
   Отечественные модели продолжат улучшать свою производительность благодаря дообучению на локальных данных. Программы поддержки от государства и бизнеса, такие как субсидии на разработку AI, станут важным драйвером этого процесса.

2. Увеличение использования мультимодальных моделей
   Такие решения, как GigaChat, уже объединяют текстовую и визуальную генерацию. В будущем интеграция дополнительных форматов (например, видео или аудио) станет стандартом.

3. Рост популярности открытых моделей
   Модели с открытым кодом становятся все более востребованными среди исследователей. В России этот тренд также будет развиваться, особенно в университетах и стартапах.

4. Доступность для малого бизнеса
   Упрощенный доступ к технологиям AI, включая бесплатные API и льготные тарифы, создаёт новые возможности для небольших компаний. Это позволит расширить рынок использования LLM, особенно в сфере услуг и образования.

Итого

Русскоязычные LLM, такие как GigaChat, Яндекс GPT, Cotype и T-Pro, демонстрируют уверенные результаты в обработке текстов на русском языке, решении бизнес-задач и автоматизации процессов. Их ключевые преимущества — высокая точность в русскоязычном сегменте, глубокая локализация, доступность для малого и среднего бизнеса, а также интеграция в локальные экосистемы.

Глобальные адаптации, такие как ChatGPT и LLaMA, выигрывают за счет универсальности, масштабируемости и доступа к мультиязычным данным. Однако их ограниченное внимание к особенностям русского языка и высокая стоимость делают их менее привлекательными для локальных задач.

Ключевые выводы

1. Качество обработки русского языка: отечественные модели лучше справляются с текстами, требующими знания языка, локального контекста и культурных особенностей.

2. Применение в бизнесе: GigaChat, Cotype и T-Pro активно используются для автоматизации процессов и взаимодействия с клиентами, благодаря адаптации к локальным потребностям.

3. Универсальность: ChatGPT и LLaMA остаются лидерами для задач, требующих мультиязычности и гибкости.

4. Доступность: российские модели выгоднее для малого и среднего бизнеса из-за низкой стоимости и поддержки локальной инфраструктуры.

5. Будущее: русскоязычные LLM обладают значительным потенциалом для роста. Важно не только преодолеть ограничения в вычислительных мощностях, но и усилить сотрудничество между разработчиками, бизнесом и государством. Фокус на мультимодальных решениях, интеграции с глобальными стандартами и открытии моделей для разработчиков позволит российским LLM стать конкурентоспособными не только на внутреннем, но и на мировом рынке.

Итог: русскоязычные LLM имеют преимущества для задач, связанных с русским языком и бизнесом, в то время как глобальные адаптации остаются лидерами в универсальности. Пользователям важно выбирать инструмент в зависимости от конкретных задач, а разработчикам — продолжать улучшать модели, учитывая потребности рынка.