Apsara 2026 от Alibaba: гигантские модели, реальность малых моделей

Крупнейшая ИИ-конференция Китая каждый сентябрь — Apsara Conference от Alibaba Cloud в Ханчжоу. В этом году в ключевом докладе было две истории. Одна — о масштабе: модель в несколько раз больше всего, что Alibaba обучала прежде. Другая, почти мимоходом, — о небольшой открытой модели, которой реально пользуются разработчики. Для маркетологов в Азии вторая история может быть важнее.

Что произошло

Как сообщает Reuters через The Standard, CEO Alibaba Eddie Wu заявил 22 сентября, что команда Qwen планирует обучить новую модель на 5–10 трлн параметров, рассчитанную на более сложные задачи с длинным горизонтом. У нынешнего флагмана Alibaba, Qwen 3.8 Max, 2,4 трлн параметров. Wu также сказал, что команда добилась «значимого прогресса» в рекурсивном самоулучшении, представил ИИ-чип Zhenwu V900 от подразделения Alibaba T-Head с трёхкратной производительностью по сравнению с предшественником и поставил цель довести мощность дата-центров Alibaba Cloud по всему миру до более чем 20 гигаватт к 2032 году. Он заявил: «Средне- и долгосрочный спрос отрасли намного превышает наши возможности предложения».

В тексте доклада, опубликованном на Alizila, Wu назвал открытую модель Qwen-27B «самой популярной моделью у разработчиков во всём мире» и сказал, что Alibaba продолжит совершенствовать модели для локального развёртывания. Он также сказал, что ожидает, что агенты станут долгосрочными «резидентами» облака, выполняя задачи с длинным горизонтом и непрерывно потребляя вычислительные ресурсы.

Почему это важно

Для регионального маркетолога гонка за триллионами параметров — в основном зрелище. Такие модели вы будете использовать через API, если вообще будете. Открытая модель для локального развёртывания — другое дело. Её ваша компания или ваш вендор может запускать на собственной инфраструктуре, в выбранной юрисдикции, дообучив на собственных данных.

В Азии это важно по практическим причинам. Правила локализации данных в регионе различаются. Многим компаниям некомфортно отправлять данные клиентов во внешний зарубежный API. А языки и культурные отсылки Юго-Восточной и Восточной Азии плохо обслуживаются моделями, настроенными в основном на английском. Сильная открытая модель среднего размера, которую можно адаптировать локально, решает все три проблемы.

Второй сигнал — слова Wu об агентах как «резидентах» облака. Если агенты работают непрерывно, стоимость задачи становится стратегической переменной. Большую часть этой работы будут выполнять эффективные модели.

Что говорят мои исследования

Я доказывал в Forbes, что в маркетинге техника важнее размера модели. Небольшая модель, хорошо адаптированная к вашей аудитории, языку и задаче, обычно выигрывает у гигантской универсальной модели, используемой небрежно.

Мои исследования также показывают, почему важна локальная адаптация. В I Know Where You Are Coming From (AAAI 2020) мы выяснили, что соцсеть, на данных которой учится модель, влияет на её точность. В Do we behave differently on Twitter and Facebook? (Frontiers in Big Data, 2022) мы показали, что люди по-разному проявляют личность на разных платформах. Общий вывод: поведение контекстуально, и чтобы верно его читать, моделям нужны данные конкретного контекста. Платформы, языки и культуры Азии — это контекст, которого у модели, обученной в другом месте, автоматически нет.

А эффективные модели делают объяснимость доступной в масштабе. В Fusing Predictive and Large Language Models (ACM TOIS 2025) мы объединили прогнозирование эффективности с объяснениями от LLM. Запускать слой объяснений для каждого креатива каждый день реально лишь тогда, когда языковая модель достаточно дешева, чтобы применять её ко всему.

Что маркетинговым командам в Азии делать сейчас

• Протестируйте открытую модель среднего размера на региональной задаче — например, классификации постов в соцсетях на индонезийском или тайском — и сравните её с текущей API-моделью по точности и стоимости.
• Решите, куда могут уходить ваши данные. Определите, какие данные клиентов можно отправлять во внешние API, а какие требуют локальной обработки.
• Дообучайте на собственном контексте. Даже небольшой объём размеченных локальных данных может заметно улучшить тон и точность.
• Планируйте постоянно работающих агентов. Оцените вычислительную стоимость непрерывного мониторинга и отчётности и выбирайте модели соответственно.
• Следите за передовыми моделями, не завися от них. Используйте самые крупные модели там, где они явно добавляют ценность, а эффективные — везде остальное.

Главной новостью из Ханчжоу было число с двенадцатью нулями. Практической новостью для маркетологов стало то, что хорошие малые модели продолжают улучшаться и могут работать ближе к вашим клиентам.

Частые вопросы