НЕ ВСЁ ИИ — ЭТО LLM: 8 типовых моделей, которые стоит знать в 2025

Часть 1: LLM, LCM, LAM

Сегодня словом «ИИ» разбрасываются настолько активно, что его воспринимают практически синонимом ChatGPT или любого генеративного бота. Но правда в том, что «LLM» стал лишь одним из многих супергероев огромной вселенной искусственного интеллекта.

Давайте детально разберёмся с новыми мощными типами моделей, которые будут определять наш мир в ближайшие годы.


1️⃣ LLM — Large language model (Большая языковая модель)

Это именно то, что первым приходит в голову: ChatGPT, Claude, Gemini, Grok. Большие языковые модели обучены практически на всём человеческом знании, которое удалось подчистить и упаковать в гигантские текстовые базы данных.

📌 Как работает?
Модель просто предсказывает следующее слово (точнее, токен) по заданному контексту. За счёт огромного охвата и объёма данных эти «предсказания» выглядят крайне осмысленно и часто весьма полезны.

📍 Сильные стороны:
— Генерация текстов, писем, кода;
— Умеют поддерживать беседу, переводить и адаптировать тексты;
— Универсальны — знают «всё и понемногу».

⚠️ Недостатки:
— «Галлюцинации» (генерируют уверенные ошибки);
— Высокая стоимость и ресурсоёмкость;
— Отсутствие истинного понимания и логики.

⚙️ Реальное применение:
— ассистенты, которые пишут письма, статьи, программы;
— чат-боты поддержки клиентов;
— репетиторы и переводчики.


2️⃣ LCM — Latent Consistency Model (Латентные модели консистентности)

Эволюция популярных моделей генерации изображений для работы в (практически) реальном времени и на компактных устройствах (телефон, AR-очки).

📌 Как работает?
Знаменитые diffusion-модели («генерация за счёт постепенного шумоподавления «) умеют красиво, но медленно. LCM сокращают этот путь, находя системные закономерности (паттерны) в сжатом латентном пространстве. Вместо десятков шагов — пара быстрых и точных.

📍 Сильные стороны:
— Быстро работают даже без интернета ;
— Энергосберегающие и компактные;
— Работают на телефонах, AR-устройствах в real-time.

⚠️ Недостатки:
— Менее «креативны», чем тяжелые Stability AI или Midjourney;
— Ограниченное качество при сложных запросах.

⚙️ Где применяют:
— AR/VR приложения;
— Редакторы на смартфонах (создание аватаров, фильтров);
— Реалтайм-прототипирование в дизайне и разработке игр.


3️⃣ LAM — Language Action Model (Модель языковых действий)

Продвинутый родственник LLM, который переходит от слов к действию. Это не чатбот, а «виртуальный помощник», выполняющий задачи сам или подключающий API и внешние сервисы.

📌 Как работает?
LAM совмещает LLM (понимание языка), память (персистентное хранилище), планировщик действий и интеграцию с внешними инструментами (например, API авиакомпаний, банков, Gmail, календаря).

Пример: «Организуй моё путешествие», после чего получаем не просто рекомендации, а готовый маршрут с забронированными билетами и отелями, синхронизированный с вашим календарём.

📍 Сильные стороны:
— Автоматизация многошаговых задач;
— Умеют «действовать», а не только разговаривать;
— Понимают контекст задач и хранят память.

⚠️ Недостатки:
— Повышенные требования к инфраструктуре и безопасности;
— Ограничены интеграцией с конкретными сервисами.

⚙️ Где применяют:
— Автоматизация рабочих процессов (Zapier AI, Notion AI);
— Персональные помощники с глубокими интеграциями;
— Роботы и системы управления умным домом.


🏁 На этом пока всё. Во второй части рассмотрим следующие 3 типа, которые не менее важны: MoE, SLM и VLM.


❗️❗️❗️❗️❗️❗️❗️❗️ / Не запрещена в РФ

НЕ ВСЁ ИИ — ЭТО LLM: 8 типовых моделей, которые стоит знать в 2025

Часть 2: MoE, VLM и SLM

Продолжаем распутывать клубок сложных терминов ИИ-моделей, ставших неотъемлемой частью бизнеса и повседневной жизни. Сегодня рассмотрим ещё три мощнейших подхода, которые нужно отличать друг от друга.


4️⃣ MoE — Mixture of Experts («Смесь экспертов»)

Вы задаёте вопрос, и вместо универсального ответа вас перенаправляют сразу к команде специалистов, каждый из которых силён в своей нише. Примерно так работают MoE.

📌 В чём суть:
MoE разбивают модель на множество самостоятельных «подмодулей» (экспертов). Когда поступает запрос, специальный механизм-роутер определяет, какие именно эксперты нужны сейчас. Из 100+ модулей чаще всего активируются всего пара-тройка узких специалистов. Представьте: с медицинскими вопросами работает врач-эксперт, с юридическими — специалист по праву. Экономим ресурсы, не теряя в качестве.

📍 Плюсы:
— Экономичны при масштабировании (снижаются вычислительные затраты);
— Модульны (легко внедрять новых «экспертов»);
— Очень эффективны в узких и специализированных задачах.

⚠️ Минусы:
— Сложная реализация механизма выбора экспертов;
— Трудно поддерживать качество роутинга при росте количества модулей.

⚙️ Где используют:
— Высокопроизводительные облачные модели (Google Switch Transformer);
— Специализированные ассистенты (медицина, финансы и юриспруденция);
— Крупные многоязычные модели (каждый «эксперт» — отдельный язык).


5️⃣ VLM — Vision Language Model (Визуально-языковая модель)

Загрузили фото, прикрепили текстовый вопрос — получили абсолютно осмысленный ответ, учитывающий и картинку, и текст.

📌 Как работают?
VLM совмещают два мира — визуальный (компьютерное зрение) и языковой (текст). Изображения и слова переводятся в общее латентное пространство, где модель оперирует «смыслом», и уже затем генерирует ответ.

📍 Плюсы:
— Полная интеграция текста и изображения;
— Мультимодальность — понимают мир более близко к человеку;
— Позволяют создавать контекстно-зависимые ответы.

⚠️ Слабые стороны:
— Высокие требования к вычислительным мощностям и данным;
— Сложность интерпретации при нетипичных запросах.

⚙️ Практическое применение:
— Продвинутые чат-боты (Gemini 2+, GPT-4o+), которые воспринимают фото;
— Умный поиск (запросы вроде «та же кофта, только зелёная»);
— Ассистивные технологии для слабовидящих;
— AR/VR приложения с пониманием контекста окружения.


6️⃣ SLM — Small Language Model (Малая языковая модель)

Идея большого размера не всегда самая эффективная. SLM компактны, шустры, экономичны и отлично справляются с простыми задачами без интернета прямо на устройстве или в браузере.

📌 Как работают?
Это миниатюрные версии LLM, в которых сохранены механизмы и принципы, но объём параметров сильно сокращён. Часто их учат методом дистилляции знаний от своих больших братьев (например, ChatGPT). SLM отлично работают оффлайн и часто помещаются даже на простейшие устройства.

📍 Плюсы:
— Максимально эффективны, лёгкие и шустрые;
— Полностью автономны (никакого облака);
— Гарантия конфиденциальности (все данные остаются в устройстве).

⚠️ Минусы:
— Ограниченный контекст и глубина знаний;
— Пока не в состоянии полноценно вести сложные дискуссии и глубокий reasoning.

⚙️ Практическое применение:
— Языковые ассистенты в смартфонах и бытовой технике;
— Офлайн-переводчики и помощники в путешествиях;
— Устройства умного дома и интернет-вещей (IoT);
— Приватные сервисы с высокой конфиденциальностью, например банковские ассистенты.

❗️Итак,
MoE — для масштабируемых и экономичных решений.
VLM — для мультимодальности и взаимодействия на стыке реального мира и текста.
SLM — для повседневных задач там, где важны конфиденциальность и скорость.

🏁 В следующем посте затронем 2 оставшихся важных типа моделей, которые закрывают потребности уже совершенно других направлений.


❗️❗️❗️❗️❗️❗️❗️❗️ / Не запрещена в РФ

Коллективный разум для Claude
Anthropic показала, как строит свои мультиагентные системы

Anthropic выкатила подробнейший разбор своей фичи Research — мультиагентной системы, которая позволяет Claude проводить сложные исследования, используя команду ИИ-агентов. Это довольно глубокий взгляд на архитектуру ИИ-систем нового поколения, где задачи решаются скоординированной группой субъектов.


Что это такое и зачем нужно?

В основе системы лежит архитектура «оркестратор-исполнитель». Один «главный» агент (Lead-агент на базе Claude 4 Opus) анализирует сложный запрос пользователя, декомпозирует его на подзадачи и запускает несколько «рабочих» субагентов (на базе Claude 4 Sonnet), которые работают параллельно. Каждый субагент копает свою часть информации в вебе или других источниках, отфильтровывает самое важное и возвращает результат «дирижеру» для сборки финального отчета.

Внутренние тесты Anthropic показали, что такая мультиагентная система превосходит по производительности одиночного Claude 4 Opus на 90.2%. Ключевой инсайт, который они выявили: производительность на 80% зависит от количества использованных токенов. Проще говоря, чтобы решить сложную проблему, нужно «потратить» на нее достаточно «мыслей».


Цена вопроса: сжигая токены во имя результата

Но, как всегда, есть нюанс™. Такие системы — настоящие пожиратели ресурсов. По данным Anthropic, мультиагентные операции расходуют примерно в 15 раз больше токенов, чем обычные чат-взаимодействия.

Это делает их экономически оправданными только для задач высокой ценности, где результат стоит затрат. Кроме того, они плохо подходят для задач, которые плохо распараллеливаются, — например, для большинства задач по программированию, где все части кода тесно связаны.

По теме:
→ Вайб-кодинг — это зависимость

Как заставить их работать вместе? Принципы от Anthropic

Самое ценное в публикации — это уроки, извлеченные командой при создании системы:

🔸 Грамотное делегирование. Главный агент должен ставить субагентам максимально четкие и детальные задачи. Простые инструкции вроде «изучи дефицит полупроводников» приводили к тому, что агенты дублировали работу друг друга или уходили не в ту степь.

🔸 Масштабирование усилий. В промпты встроили правила для оценки сложности задачи. Простой факт-чекинг — 1 агент и 3-10 вызовов инструментов. Сложное исследование — 10+ субагентов с четко разделенными ролями.

🔸 Инструменты решают. Качество описания инструментов, к которым обращаются агенты, критически важно. Плохое описание может отправить агента по совершенно ложному пути.

🔸 Самосовершенствование агентов. Пожалуй, самый поразительный пункт. Anthropic создали специального агента-тестировщика. Он брал инструмент с плохим описанием, пытался его использовать, раз за разом терпел неудачу, а затем... сам переписывал его описание, чтобы избежать ошибок в будущем. Этот мета-процесс позволил сократить время выполнения задач другими агентами на 40%.

🔸 Параллельность — ключ к скорости. Запуск субагентов и их инструментов в параллельном режиме сократил время выполнения сложных запросов на 90% — с часов до минут.


Как это всё оценивать?

Оценка таких систем — отдельная головная боль. Они недетерминированы: на один и тот же запрос два запуска могут выдать одинаково правильный ответ, но прийти к нему совершенно разными путями. Поэтому оценивать нужно не процесс, а конечный результат.

Для этого в Anthropic активно используют LLM-as-judge (нейросеть в роли оценщика), но подчеркивают, что без ручного тестирования живыми людьми никуда. Именно люди заметили, что ранние версии агентов предпочитали SEO-оптимизированные сайты-помойки авторитетным научным PDF.

Статья Anthropic — это честный взгляд на то, насколько огромен разрыв между работающим прототипом и надежной продакшн-системой в мире ИИ-агентов. Проблемы стейтфул-систем, каскадные ошибки, сложность отладки и развертывания — все это здесь умножается на непредсказуемость самих моделей.


❗️❗️❗️❗️❗️❗️❗️❗️ / Не запрещена в РФ

Гайд: Как выжать максимум из ИИ-кодеров

ИИ-ассистенты — это уже стандартный инструмент в арсенале разработчика, встроенный в IDE или существующий как самостоятельная среда вроде Cursor. Вопрос уже не в том, используем ли мы их, а в том, насколько мы приблизились к потолку их возможностей. Несмотря на повсеместное внедрение, оптимальное использование остается проблемой для многих.

Свежий гайд от DX (это такая платформа аналитики для разработчиков), «AI Assisted Engineering» — для тех, кто хочет перейти от стандартных сценариев к мастерскому владению инструментом. Это концентрированная выжимка практик от инженеров, которые действительно научились извлекать из языковых моделей максимум. Делюсь ключевыми инсайтами из PDF на 67 страниц.


Часть 1: Техники промптинга, о которых (возможно) вы не задумывались

Забудьте о примитивных запросах. Эффективность LLM-ассистентов определяется не моделью, а тем, как вы с ней общаетесь. Гайд предлагает несколько мощных техник:

🔸Мета-промптинг (Meta-prompting): вы даёте модели инструкцию не только о том, что сделать, но и как структурировать ответ. Не просто «исправь ошибку», а «проанализируй этот стектрейс, найди первопричину, предложи исправленный код с комментариями и дай рекомендации, как избежать этого в будущем, оформив ответ по четырём чётким пунктам». Это фундаментальный сдвиг от роли исполнителя к роли управляемого эксперта.

🔸Цепочки промптов (Prompt-chaining): это, пожалуй, самая сильная концепция. Выход одного запроса становится входом для следующего, создавая целый рабочий процесс. Например, сначала вы в режиме диалога с ИИ обсуждаете требования к фиче (вы — менеджер, ИИ — архитектор). Затем скармливаете транскрипт этого диалога другой, «рассуждающей» модели, чтобы она создала детальную спецификацию. А эту спецификацию — уже кодогенерирующей модели для создания каркаса приложения.

🔸Мультимодельное (состязательное) проектирование (Multi-model engineering): гениальная в своей простоте идея — у ИИ нет эго. Можно дать одну и ту же задачу двум разным моделям (например, Claude 4 и Gemini 2.5 Pro), а затем попросить каждую из них оценить и раскритиковать решение конкурента. Это позволяет объективно выбрать лучший подход, используя ИИ для взаимной проверки.


Часть 2: Сценарии использования, которые экономят больше всего времени

Гайд приводит топ-10 самых ценных юзкейсов, ранжированных инженерами по реальной экономии времени. Список возглавляют:

— Анализ стектрейсов (Stack trace analysis)
— Рефакторинг существующего кода (Refactoring existing code)
— Генерация кода «в середине цикла» (Mid-loop code generation)
— Генерация тестовых случаев (Test case generation)

Это уже гигиенический минимум. Но есть и более комплексные сценарии: от создания документации в форматах вроде AsciiDoc до ускоренного изучения новых фреймворков.

Этот гайд — хорошая инструкция по переходу от хаотичного «тыканья» в чат-бота к осознанному, инженерному подходу. Именно эти методики и отличают разработчика, который экономит 30 минут в неделю, от того, кто ускоряет свою работу в разы.

→ Изучить гайд: https://getdx.com/uploads/guide-to-ai-assisted-engineering.pdf


❗️❗️❗️❗️❗️❗️❗️❗️ / Не запрещена в РФ

НЕ ВСЁ ИИ — ЭТО LLM: 8 типовых моделей, которые стоит знать в 2025

Часть 3: MLM и SAM

Завершаем наш ликбез по зоопарку AI-моделей. В предыдущих частях мы разобрали 1) флагманские LLM, быстрые LCM, агентные LAM, 2) экономичные MoE, мультимодальные VLM и компактные SLM. Сегодня на очереди два «невоспетых героя» — фундаментальные технологии, которые, оставаясь в тени, приводят в движение огромную часть современной AI-инфраструктуры. Поехали.


7️⃣ MLM — Masked Language Model (Маскированная языковая модель)

Если LLM — это блистательный солист на сцене, то MLM — это гениальный дирижер в оркестровой яме. Вы его не видите, но именно он заставляет музыку звучать осмысленно. До появления ChatGPT миром правил BERT, и его суперсила — это как раз технология MLM.

📌 В чём суть:
В отличие от LLM, которые как автозаполнение предсказывают следующее слово, MLM играет в «заполни пропуски». Модель берёт предложение, «маскирует» (прячет) случайное слово и пытается его восстановить, анализируя контекст с обеих сторон — и слева, и справа.

«Эйфелева башня находится в [MASK]». Чтобы вставить «Париже», нужно понять всё предложение целиком.

Такой двунаправленный подход даёт модели глубокое, почти интуитивное понимание синтаксиса, семантики и скрытых связей в языке. Это не генерация, это репрезентация.

📍 Сильные стороны:
— Глубочайшее понимание контекста.
— Идеальны для классификации, семантического поиска и анализа текста.
— Менее требовательны к ресурсам для обучения, чем гигантские LLM.

⚠️ Недостатки:
— Не созданы для генерации длинных, связных текстов (эссе или кода). Их задача — анализ и представление данных.

⚙️ Где применяют:
Это «рабочая лошадка» для множества систем, которыми мы пользуемся каждый день:
— Поисковые движки (когда Google «понимает» ваш сложный запрос, спасибо MLM).
— Классификация текстов (фильтры спама, анализ тональности отзывов).
— Named Entity Recognition (извлечение имён, дат, организаций из документов).
— Создание векторных представлений (embeddings) для баз данных.


8️⃣ SAM — Segment Anything Model (Модель сегментации чего угодно)

Революция в компьютерном зрении от Meta (запрещена в РФ). Представьте, что вы загружаете любое изображение, а ИИ мгновенно и с хирургической точностью обводит контуром каждый объект на нём. Не просто находит «кота», а выделяет его форму до последнего пикселя. SAM — это как подарить машине сверхчеловеческое зрение.

📌 В чём суть:
В основе лежит «сегментация по запросу» (promptable segmentation). Вы просто указываете на объект точкой или рамкой, и SAM мгновенно его вырезает. Главный прорыв — zero-shot generalization. Модель сегментирует объекты, которые никогда раньше не видела и не знает, что это. Она не «знает», что такое лампа, она «видит» её границы и форму в визуальном пространстве.

Это как LEGO-кирпичик для компьютерного зрения: универсальный, быстрый и совместимый с чем угодно.

📍 Сильные стороны:
— Сегментирует абсолютно любые, даже незнакомые объекты.
— Невероятная точность и скорость.
— Интерактивность и модульность: легко встраивается в другие, более сложные системы.

⚠️ Недостатки:
— SAM не знает, что именно он сегментирует. Он видит контуры, но не смысл. Для понимания («это кот породы мейн-кун») его нужно объединять с VLM-моделями.

⚙️ Где применяют:
Потенциал огромен и уже меняет целые отрасли:
— Медицинская диагностика (выделение опухолей и органов на МРТ/КТ снимках).
— Робототехника (помогает роботам понимать форму объектов для захвата). — AR/VR (мгновенное взаимодействие с объектами реального мира).
— Видео- и фоторедакторы (удаление фона или изоляция объектов одним кликом).
— Научные исследования (анализ спутниковых снимков или клеток под микроскопом).

Мы использовали примерно это в системе для AR навигации Vision в Mapbox. Одна из первых презентаций от моего бывшего коллеги Тори Смита (он сейчас в Niantic возглавляет AI карты, про это напишу отдельно) — раз, видео работы — два (да, это Минск).

🏁 На этом всё!


❗️❗️❗️❗️❗️❗️❗️❗️ / Не запрещена в РФ