⚡️ Я наткнулась на разбор, где вместо громких анонсов — просто честная бухгалтерия: во ...
⚡️ Я наткнулась на разбор, где вместо громких анонсов — просто честная бухгалтерия: во сколько раз ИИ в компании можно сделать дешевле. ИИ-центр Т-Банка перестал плодить десятки узких моделей под разные внутренние задачи. Вместо этого — одна универсальная LLM на базе открытой Qwen3-32B. Она уже тянет половину трафика внутренней ИИ-платформы и заменила 200+ сервисов. Схема обучения такая: сначала на правильных ответах, потом RL (GRPO) сразу по трём направлениям — инструкции, function calling, типовые корпоративные задачи, — а готовые модели-эксперты слили через SLERP. Результат: обработка запроса дешевле в 2,8–3,9 раза, чем у Qwen3-235B, в части сервисов — в 4–9 раз. И без потери качества: 69,6 против 65,8 по корпоративным запросам, 0,85 против 0,83 на инструкциях. ⚖️ Сравниваю не с Qwen, а с привычным для бизнеса путём — просто дёргать GPT-4o или Claude по API. Там платишь за каждый токен внешнему сервису, данные уходят за периметр компании, а модель никто не затачивает под твою специфику. Т-Банк выигрывает в цене и в контроле над данными — для бизнеса, где важна приватность, это серьёзный аргумент. Но будем честны: это не своя база с нуля, а тонкая настройка чужой открытой модели. И сравнивали её не с GPT-5 или Claude Opus, а с другими версиями Qwen — так что цифр про «кто умнее на сложных задачах» тут просто нет. 🛠 Применимо и без масштаба банка: если у вас уже расползлось несколько ботов под разные задачи — не спешите растить их парк. Идея «одна дообученная открытая модель вместо зоопарка» переносится на любую открытую LLM, не только Qwen. 💡 Вывод: здесь не про самую умную модель, а про инженерную дисциплину — выжать максимум пользы из открытого ИИ под свои процессы. Для большинства бизнесов это полезнее гонки бенчмарков. https://banks.cnews.ru/news/line/2026-10-26_issledovateli_ii-tsentra Нужен виртуальный сотрудник, бот или сайт → https://aleksandrmyasoed.ru/?utm_source=max&utm_medium=post