Николай Хлебинский

Крошечная по сегодняшним меркам Qwen3.5-9B — open source модель Alibaba из младшей линейки Qwen3.5 ("9B" значит 9 миллиардов параметров), дообученная за 500 долларов, обошла топовые модели (последние версии GPT и Claude, для сравнения, это сотни миллиардов и триллионы параметров) на проверке товарных карточек маркетплейса. Сценарий проверки карточки - работа отделов контент-модерации в e-commerce: по фото, названию и описанию найти категорию товара среди примерно 13 тысяч в дереве маркетплейса, сверить заявленный бренд (зарегистрирован ли, не контрафакт ли), заполнить атрибуты по схеме категории и решить - публиковать или отдать живому модератору. Тысяча карточек у дообученной Qwen стоит 50 центов, у сильнейшего из фронтиров - 34 доллара. В конце июня хедж-фонд Bridgewater с лабораторией Thinking Machines отчитались, что их дообученная открытая модель ошибается на фильтрации финансовой информации примерно на 30% реже GPT-5.5, а задача по токенам дешевле в 13,8 раза. Таких кейсов становится все больше и тренд на тонкую настройку лекгих бесплатных моделей под узкоспецифичные задачи уже очень сильный. Вот что нужно знать про кейс с карточками маркетплейсов. 500 долларов - это цена обучения модели. Для обучения нужно самое дорогое – симулятор маркетплейса и сотни тысяч таких симуляций проверок с подсаженными нарушениями. Другими словами, размеченный руками очень специфичный датасет. Его стоимость вендор, конечно же, не называет. И вот тут виден еще один тренд мира ИИ – оцифровка данных и симуляция процессов с проверяемым результатом на частые и проверяемые задачи. Промптом такого не добиться даже с самыми крутыми и дорогими LLM, для 80% задач бизнеса фронтир-модели не нужны, нужны хорошо размеченные датасеты, прямо как в кейсе Midjourney. Отчет Fermisense по дообучение Qwen3.5-9B под задачи маркетплейса: https://fermisense.com/when-machines-take-the-wheel/