Российские ИИ и нейросети 2025: обзор разработчиков, локальные модели и технологии

Введение

Всего за несколько лет российская экосистема искусственного интеллекта эволюционировала из зародыша в полноценную продакшен индустрию, где балом правят не одиночные исследовательские проекты, а крупные компании. Благодаря усилиям отечественных разработчиков, в ассортименте российских ИИ нашлось место как для облачных, проприетарных нейросетей, доступных через API, так и для open-source моделей, доступных для локальной установки на ПК, рабочие станции и серверные системы. И эти модели — не просто “калька” с западных LLM, а реальные, отечественные продукты, оптимизированные под русский язык, реалии бизнес-сред СНГ и предлагающие разнообразный функционал под широкий список сценариев использования. В этой статье специалисты компании ServerFlow расскажут вам, какие российские нейросети существуют на данный момент, чем они отличаются, какие передовые функции они предлагают и как развернуть их локально для автономной работы, навсегда избавившись от зарубежных аналогов.

Что такое локальные нейросети и почему российские ИИ все чаще запускают

Локальные нейронки — это настоящий тренд индустрии ИИ в 2025 году. Вместо облачных моделей и API подключения, пользователи предпочитают ставить компактные, но мощные модели на собственном железе, получая полный контроль над работой ИИ. А особенно большую популярность локальные модели получили в РФ, и у этого есть несколько конкретных причин:

• Первая — безопасность и контроль данных. Для бизнеса, госсектора и крупных компаний критично, чтобы тексты, аудио или изображения не покидали локальные сервера.
• Вторая — автономность и независимость от внешних сервисов, санкционных рисков и изменений ценовой политики.
• Третья — возможность глубокой кастомизации. Локальные модели проще дообучать, интегрировать в существующие системы, адаптировать под отраслевые задачи и выполнять прочий тюнинг.
• Четвертая — при интенсивном использовании нейронок локальный запуск часто оказывается экономически выгоднее облачных API.

Благодаря этим возможностям, локальный ИИ в РФ все чаще и чаще рассматривается не как альтернатива облаку, а как полноценный инфраструктурный слой для интеграции нейросетей в рабочие процессы, которые, к тому же, можно удобно контролировать, кастомизировать и масштабировать вместе с ростом бизнеса и сменой потребностей.

Какие российские нейросети существуют: основные категории и задачи

Современные российские ИИ покрывают практически весь спектр задач машинного обучения. В первую очередь это LLM — языковые модели для генерации текста, ведения диалогов, анализа документов и написания кода. Отдельный сегмент, который пока лишь начал развиваться в РФ — генерация изображений и видео. Несмотря на раннюю стадию эволюции российских генеративных ИИ, отечественные решения уже конкурируют по качеству с зарубежными аналогами. Существенное внимание уделяется синтезу и распознаванию речи: российские ASR-модели и TTS-системы востребованы в колл-центрах, голосовых ассистентах и медиа. Помимо этого, активно развиваются vision-модели и OCR для анализа изображений и документов, а также embedding-модели, лежащие в основе RAG-систем, корпоративного поиска и чат-ботов с базами знаний. Наконец, существуют нишевые решения — от промышленной аналитики до специализированных моделей для финтеха и e-commerce.

Российские LLM и языковые нейросети для текста, кода и reasoning

LLM — это костяк, вокруг которого развиваются все сопутствующие специализации искусственного интеллекта. Именно поэтому развитию LLM-сегмента отечественные разработчики посвятили наибольшее количество усилий, и это определенно дало свои плоды.

GigaChat 3 (Сбер)

GigaChat3 — флагманская линейка из 3 языковых моделей Sber AI, ориентированная на широкий спектр задач: от диалогов и генерации текстов до анализа документов и задач размышления. Доступны две модели с 10 миллиардами параметров для локального развертывания, а также крупная, топовая LLM на 702 миллиарда параметров для кластерного инференса. Модели разработаны полностью с нуля, функционируют на гибридной архитектурной связке MoE+MLA+MTP, контекстное окно достигает 131 тысяч токенов, а также топовая нейросеть линейки поддерживает мультимодальный ввод. Для локального запуска требуются GPU с 16-24 ГБ VRAM, а при использовании квантированных версий требование к видеопамяти можно снизить до 8-6 ГБ VRAM. GigaChat3 — это лучшее LLM решение в РФ на данный момент, и они уже доступны на Hugging Face и GitHub.

YandexGPT-5 (Яндекс)

YandexGPT-5 — пятое поколение языковых моделей Яндекса на архитектуре decoder-only трансформеров, представленное двумя ключевыми версиями: YandexGPT-5 Lite Pretrain, Instruct, Instruct-GGUF и YandexGPT-5 Pro. YandexGPT-5 Lite Pretrain/Instruct/GGUF доступны локально и имеют 8 миллиардов параметров при контекстном окне 32 000 токенов, тогда как Pro-версия доступна исключительно в облаке. Модели обучены в два этапа на многоязычном корпусе данных с 15 трлн и 320 млрд токенов на русском, английском и других языках, математических задачах и языках программирования. Модели YandexGPT-5 оптимизированы для задач генерации, классификации, суммаризации и кодирования текста, обеспечивая высокую производительность на уровне проприетарных LLM. Исходный код YandexGPT-5 Lite выложен на Hugging Face.

T-pro 2.0 (Т-Банк)

T-pro 2.0 — языковая модель на базе Qwen3-32b от отдела T-Tech банка T-Bank, ориентированная на задачи размышления, выполнение сложных инструкций и прикладные задачи генерации текста. Доступны instruct, SFT и Preference Tuning модели. Модель базируется на архитектуре decoder-only трансформера с приблизительно 33 миллиарда параметров и поддерживает контекстные окна до 32 000 токенов. T-pro 2.0 также предлагает модели в формате GGUF, FP8 и AWQ для локального вывода, а также вариацию EAGLE на базе архитектуры speculative. Помимо open-source релиза на Hugging Face, T-pro 2.0 доступна через облако и поддерживает API-подключение.

Kodify-Nano (МТС)

Kodify-Nano — компактная LLM от МТС, специализирующаяся на задачах генерации и анализа программного кода, с порядка 2 млрд параметров. Архитектура — легкий decoder-only Transformer, оптимизированный под синтаксические и семантические свойства языков программирования. Контекстное окно официально не раскрыто, но для моделей 2B контекст редко превышает 8-16 тысяч токенов. Основное преимущество — возможность локального запуска даже на слабых, потребительских GPU (8–16 GB VRAM) или CPU-системах без высоких требований к памяти. Kodify-Nano доступна в формате GGUF и GPTQ на Hugging Face с возможностью квантизации и интеграции в пайплайны разработки, поддерживается интеграция с VS Code и JetBrains через Docker-контейнеры.

A-vibe (Авито)

A-vibe — языковая модель от AvitoTech на базе Qwen3-8B-Base, предназначенная для работы с текстами объявлений, поиска, классификации и диалоговых сценариев. Модель Авито имеет всего 8 миллиардов параметров, при этом в нее интегрирован проприетарный токенизатор AvitoTech с оптимизацией под русский и английский язык, а скорость вывода выше на 15-20% в сравнении с Qwen3-8B. Для обучения был проведен SFT-этап, RL-этап, а также использовали большой корпус данных с различными объявлениями платформы Avito. На Hugging Face доступна базовая версия A-vibe в BF16 и EAGLE-модель.

Российские нейросети для генерации изображений

Генеративные ИИ-модели за последние годы стали не менее популярны, чем LLM, поэтому неудивительно, что отечественные разработчики решили задействовать свой багаж знаний и навыки в этой перспективной сфере. Пока что в российском генеративном ИИ выделилась лишь одна модель, но ее точности и производительности могут позавидовать даже зарубежные аналоги.

Kandinsky Image Lite (Сбер)

Kandinsky Image Lite — самая известная российская модель для генерации изображений от Sber AI. Компактная модель объемом 6 миллиардов параметров поддерживает форматы генерации text-to-image и image-to-image, разрешения 1280×768, 1024×1024 и другие 1К с задержкой около 13 секунд, при этом благодаря функции editing картинки можно удобно редактировать. Нейросеть ориентирована прежде всего на русский язык и локальные культурные контексты — в этих сценариях западные ИИ чаще всего сыпятся, пока Image Lite демонстрирует высочайшие результаты. На Hugging Face и GitHub доступны SFT и Pretrain версии.

Российские нейросети для генерации видео

Генерация видео — еще одно направление, где специалисты Сбера стали пионерами в отечественном ИИ-сегменте, добавив в релиз семейства Kandinsky 5.0 генеративный ИИ для создания высококачественных, фотореалистичных видеороликов.

Kandinsky Video Lite / Pro

Kandinsky Video Lite / Pro — топовые российские ИИ-модели для генерации видео. Модель Lite имеет всего 2 миллиарда параметров, что позволяет запускать видеомодель даже на самом слабом железе, тогда как версия Pro имеет 19 миллиардов параметров, обеспечивая высочайшее качество вывода видео и демонстрирует всю мощь семейства Kandinsky 5.0, но требует серьезного GPU-ускорителя уровня H100 или MI210 для инференса. Доступны сценарии вывода как T2V (text-to-video), так и I2V (image-to-video). Модели поддерживают длительность видео от 5 до 10 секунд с задержкой до 224 секунд для Lite и 1241 секунд для Pro. Большая видеомодель доступна в двух версиях SFT для высочайшего качества и Pretrain для тонкой настройки. Lite-версия поддерживает: SFT для высочайшего качества, CFG-distilled для быстрой генерации, Diffusion-distilled для быстрой генерации без потери качества и Pretrain для тонкой настройки.

Российские нейросети для распознавания речи (ASR)

Отечественный ASR-сектор активно развивается, так как на международном ИИ-рынке доступно крайне мало моделей распознавания речи с поддержкой русского языка, поэтому российские разработчики стремятся закрыть потребности рынка и предложить юзерам лучшее качество распознавания великого и могучего.

GigaAM (Сбер)

GigaAM v3 — это передовая модель от Sber AI, разработанная для преобразования речи в текст. Она базируется на архитектурах CTC и RNN-T, доступна в открытом доступе и имеет всего 220-240 миллионов параметров, что позволяет развертывать ее даже на самом слабом железе. Поддерживается базовая модель и ONNX-версия. По сути, GigaAM v3 является единственным полноценным российским конкурентом Whisper от OpenAI.

T-one (Т-Банк)

T-one — ASR-модель объемом 71 миллиардов параметров, разработанная Т-Банком для собственных сервисов и корпоративных клиентов. T-one обрабатывает аудио в фрагментах по 300 мс и генерирует расшифровки с помощью сжатого декодирования или декодера CTC с поиском луча на основе KenLM. Модель базируется на архитектуре Conformer и использует различные оптимизирующие модули, в частности, SwiGLU, ReLU и LayerNorm, RoPE и U-Net. Она ориентирована на высокую точность и устойчивость к шуму, а локальный запуск позволяет использовать ее в защищенных средах. Доступна одна полноразмерная версия T-one в формате FP32, развертывание доступно через контейнер Docker, а открытые веса лежат на Hugging Face.

Российские нейросети для синтеза речи (TTS)

Синтез речи — активно набирающее популярность направление российского ИИ с точки зрения локального применения. Большинство моделей были выпущены на заре развития этого типа ИИ, но есть и более современные нейросети, оптимизированные под современные бизнес-задачи.

F5-TTS_RUSSIAN (Misha24-10)

F5-TTS_RUSSIAN — это версия архитектуры F5-TTS, дообученная на 5000 часах русского языка. Фактически эта дообученная модель является эффективным русскоязычным TTS-решением, ориентированным на локальное использование. Компактная нейросеть имеет всего 335 миллионов параметров, что позволяет интегрировать ее в локальные инфраструктуры со слабым железом, ориентированные на достижение максимальной точности в насыщенности интонации и качественном звучании.

Vision и OCR: российские модели для анализа изображений

Анализ изображений стал настоящим трендом ИИ-индустрии в 2025 году, но пока весь мир пользуется пресловутыми DeepSeek-OCR или PaddleOCR, отечественные ML-специалисты создают собственные решения, ничем не уступающие аналогам.

A-vision (Avito)

A-vision — компактная vision-модель с 7 миллиардов параметров от AvitoTech, ориентированная на анализ изображений в e-commerce-сценариях. Она используется для модерации, классификации и улучшения качества контента и может быть развернута локально благодаря открытым весам на Hugging Face. Модель обучена на собственном русскоязычном мультимодальном корпусе данных из 200 тысяч изображений объявлений и 1 миллиона пар “вопрос–ответ”. Также в A-vision был интегрирован собственный токенизатор Avito, а дообучение выполняли с использованием SFT-подхода и RL-этапа, что позволило добиться точности выше, чем у Qwen2.5-VL-7B-Instruct.

Embeddings и RAG: российские модели для поиска и чат-ботов

В российской экосистеме ИИ существует несколько собственных и адаптированных RAG-моделей, которые можно использовать локально, без обращения к зарубежным API.

FRIDA (AI-Forever)

FRIDA — embedding-модель на базе T5, ruMTEB и ru-en-RoSBERTa от исследовательской команды AI-Forever (дочка Sber AI). Модель имеет всего 800 миллионов параметров и предназначена для построения семантического поиска и интеллектуальных ассистентов, работающих с большими массивами русскоязычных данных. Модель оптимизирована для задач поиска релевантных фрагментов текста и хорошо подходит для использования в RAG-пайплайнах. FRIDA доступна для локального использования, поддерживает стандартные фреймворки и легко интегрируется с векторными базами данных.

Giga-Embeddings (Сбер)

Giga-Embeddings — embedding-модель в формате instruct от Сбера, разработанная как часть семейства GigaChat3 на базе архитектуры Latent-Attention. Эта компактная модель объемом 3 миллиарда параметров ориентирована на корпоративные сценарии использования: поиск по документам, чат-боты поддержки, анализ внутренней базы знаний. Веса модели лежат на Hugging Face для локального использования в RAG-пайплайнах.

Кто разрабатывает российские нейросети: ключевые компании и команды

Экосистема российских ИИ создается усилиями крупных технологических компаний и независимых команд. Вот несколько ключевых игроков на этом рынке, которые формируют ландшафт искусственного интеллекта в отечественном сегменте рынка.

• Сбер;
• Яндекс;
• Т-Банк;
• Avito;
• МТС.

Выводы

К 2025 году в России сформировалась полноценная экосистема искусственного интеллекта, охватывающая все ключевые направления — от языковых моделей и генерации визуального контента до синтеза речи, vision-моделей и RAG-систем. Существенная часть этих нейросетей уже доступна для локального использования: веса можно скачать, развернуть на своем железе и интегрировать в собственную инфраструктуру, полностью вытеснив зарубежные ИИ из вашего бизнеса. Помните, что выбор подходящей российской ИИ-модели зависит от необходимого сценария использования и доступного оборудования для локального инференса. С первым разберется ваш тимлид, а с последним вам с радостью поможет компания ServerFlow. Наша компания специализируется на поставке мощного серверного оборудования для задач локального инференса искусственного интеллекта, поэтому мы сможем подобрать оптимальное железо под ваши задачи и бюджет — просто обратитесь к нашему специалисту для консультации, после чего мы соберем и настроим идеальную конфигурацию для вашего бизнеса.