Pretraining
Модель видит большие массивы текста, кода и мультимодальных данных и учится предсказывать следующий токен. Так появляется статистическое знание языка — не гарантия истины.
FIELD GUIDE / 01
Выбирайте
задачу,
не бренд.
Практический справочник по популярным AI-моделям. Что они делают хорошо, как обучаются и где заканчивается сила рекламного бенчмарка.
A
Нет лучшей модели вообще. Есть лучшее сочетание качества, цены, задержки, контекста, модальностей и контроля.
8
семейств
в карте
06
критериев
выбора
PRETRAINING → POST-TRAINING
REASONING → COST
OPEN WEIGHTS → CONTROL
EVAL → EVIDENCE
02 / MODEL MAP
Карта семейств
Ролевые ориентиры устойчивее названий версий. Ниже — стартовый shortlist, а не пьедестал.
Ничего не найдено. Попробуйте убрать фильтр или изменить запрос.
03 / TASK FIT
Под какую задачу?
Начните с класса задачи. Отдельно проверьте стоимость полезного результата, задержку и поведение на своих данных.
| Сценарий | Начать с | Почему | Не забыть |
|---|---|---|---|
| 01Сложное reasoning | OpenAI · Claude · Gemini · DeepSeek | Дольше думают, умеют проверять цепочки и работать с инструментами. | Задержка, токены reasoning, повторяемость. |
| 02Код и рефакторинг | OpenAI · Claude · Gemini · Codestral | Сильны в изменении репозитория, тестах и tool use. | Проходят ли тесты, а не только выглядит ли diff. |
| 03Документы и vision | Gemini · GPT · Claude · Llama 4 | Входят PDF, изображения, графики и длинные контексты. | OCR, мелкий текст, конфликтующие факты. |
| 04RAG / поиск | Cohere · Mistral · OpenAI · Google | Результат зависит от retrieval, embeddings и rerank не меньше чата. | Recall@k, groundedness, цитаты. |
| 05Массовая обработка | Haiku · Flash · Small · Ministral | Меньше latency и стоимость на классификацию, извлечение, routing. | Fallback для сложных случаев. |
| 06Локально / приватно | Llama · Mistral · DeepSeek · gpt-oss | Контроль над данными, железом и кастомизацией. | VRAM, лицензия, эксплуатация, safety. |
04 / UNDER THE HOOD
Как модель становится моделью
Публично известны общие механизмы. Точный состав данных, веса и полный post-training почти всегда закрыты.
Instruction tuning
Примеры «инструкция → хороший ответ» учат диалогу, ролям, форматам JSON и полезному поведению на запросах.
Preference / RL
Ответы сравниваются людьми, AI-feedback или проверяемым reward. Это выравнивает качество, стиль, safety и reasoning-траектории.
Inference-time
Reasoning-модели тратят больше вычислений во время ответа. Distillation переносит полезное поведение в меньшие модели, но не копирует его идеально.
!
Большой контекст ≠ понимание. Миллион токенов позволяет передать больше материала, но не гарантирует, что нужный факт будет найден и правильно связан с вопросом.
05 / DECISION LOOP
Выбор за 9 шагов
Рациональный выбор — это маленький эксперимент на своих данных, а не спор о leaderboard.
01
Опишите единицу результата. «Из PDF извлечь 20 полей» точнее, чем «нужен умный AI».
02
Зафиксируйте ограничения. Бюджет, p95 latency, throughput, регион, GPU, модальности.
03
Разделите маршруты. Простые запросы — дешёвой модели, сложные — fallback.
04
Соберите 3–5 кандидатов. Быстрый, сильный, локальный и специализированный.
05
Возьмите 50–300 реальных примеров. Разметьте правильность, схему, цену, safety.
06
Проведите одинаковый eval. Один prompt, один input, один набор инструментов.
07
Считайте полезный результат. Повторы и ручные исправления — часть стоимости.
08
Проверьте худшие случаи. Injection, пропавший документ, конфликт источников, отказ tool.
09
Закрепите snapshot. Храните версию модели, prompt и regression-набор.
06 / PRIMARY SOURCES
Куда смотреть дальше
Каталог актуализируется по первичным источникам. Маркетинговое сравнение всегда требует оговорки.