Frontier AI Models

Передовые модели ИИ — это самые мощные универсальные модели ИИ, существующие в данный момент; как правило, это крупные мультимодальные базовые модели, которые не уступают другим системам или превосходят их в работе с языком, программировании, рассуждениях и понимании изображений. Граница возможностей постоянно смещается: модель, задававшая ее два года назад, обычно уступает более компактным и дешевым преемникам. В 2023 году этот термин вошел в политическую повестку. В ноябре того года правительство Великобритании определило передовой ИИ для AI Safety Summit как универсальные модели ИИ высокой мощности, способные выполнять широкий спектр задач и соответствующие возможностям самых передовых на тот момент моделей или превосходящие их. Frontier Model Forum — отраслевая организация, основанная в том же году компаниями Anthropic, Google, Microsoft и OpenAI, к которым позднее присоединились Amazon и Meta, — считает универсальную модель передовой, если она превосходит все модели, широко применявшиеся не менее года.

Что выводит модель на передовой уровень#

Статус передовой модели не определяется какой-либо одной оценкой. Для обучения передовых моделей используют самые большие вычислительные ресурсы своего поколения — десятки тысяч ускорителей, — поскольку согласно законам масштабирования возможности тесно связаны с вычислительными ресурсами, данными и числом параметров. Такие модели успешно работают в самых разных областях, включая многоэтапное использование инструментов и продолжительные задачи ИИ-агентов, с которыми не справляются более узкоспециализированные модели. Они также получают наивысшие результаты в бенчмарках, созданных для проверки возможностей, превосходящих возможности прежних систем, например в научных вопросах уровня аспирантуры из GPQA и задачах, составленных экспертами для Humanity's Last Exam.

Их возможности неравномерны. Одна и та же модель может решать математические задачи исследовательского уровня, но ошибаться при подсчёте объектов на изображении или не справиться с простой пространственной головоломкой. Это явление называют зубчатым интеллектом. Поэтому лидерство в бенчмарках мало говорит о надёжности модели в конкретной задаче.

Передовые модели в практических системах#

Передовые возможности обходятся дорого: они увеличивают задержку, стоимость и требования к оборудованию. Передовая модель работает в удаленном дата-центре и отвечает за несколько секунд, поэтому она не подходит для многих задач реального времени и периферийного ИИ. Поэтому в производственных системах передовую модель используют для рассуждений на открытые темы, а небольшие специализированные модели — для быстрых повторяющихся задач. Такой подход называют составными системами ИИ. Другой вариант — использовать маршрутизацию моделей, чтобы направлять каждый запрос самой дешевой модели, способной с ним справиться. Команды также используют передовые модели как учителей: те генерируют метки или обучающие примеры, которые затем сжимает в компактные модели дистилляция знаний. В Ultralytics Platform умная разметка по названиям классов отправляет изображения набора данных платным визуальным моделям таких поставщиков, как OpenAI, Anthropic и Google, используя собственный ключ поставщика рабочего пространства, и добавляет найденные объекты в виде редактируемых боксов. Так передовая модель может разметить набор данных для обнаружения объектов, на котором затем обучается компактная модель YOLO26. Таблица лидеров VLM сравнивает точность разметки реальных наборов данных для обнаружения объектов такими моделями, как GPT-6 Astra, Claude Opus 5.5 и Gemini 4 Argon, а также более компактными моделями с открытым доступом.

Практики тестирования и обеспечения безопасности#

Ведущие разработчики публикуют рамочные документы по безопасности, например Responsible Scaling Policy компании Anthropic, Preparedness Framework компании OpenAI и Frontier Safety Framework компании Google DeepMind. Каждый из них предусматривает проверку новых моделей на опасные возможности, включая существенную помощь в создании биологического оружия или проведении наступательных киберопераций, а также способность автоматизировать исследования в области ИИ; если модель превышает установленный порог, разработчики обязуются внедрить меры защиты или отложить выпуск. Проверка объединяет автоматизированные оценки с командным тестированием ИИ на прочность, которое проводят внутренние команды, внешние эксперты и государственные органы, например британский Институт безопасности ИИ и американский Центр стандартов и инноваций в области ИИ (CAISI); они часто оценивают передовые модели до их выпуска. Проверяющие также изучают намеренное занижение возможностей, когда модель сознательно показывает результаты ниже своих возможностей на тестах, а разработчики публикуют результаты в карточках моделей и системных карточках.

Как законы определяют передовой уровень#

Способности трудно закрепить в законе, поэтому режимы регулирования ИИ используют вычислительные затраты на обучение как косвенный показатель. Закон ЕС об искусственном интеллекте предполагает, что модель ИИ общего назначения несёт системный риск, если для её обучения потребовалось более 10²⁵ операций с плавающей запятой; Европейская комиссия также может отнести к этой категории модели, не достигшие этого порога, исходя из их возможностей и охвата. Разработчики таких моделей обязаны проводить оценку, в том числе тестирование на состязательные воздействия, выявлять и снижать системные риски, сообщать о серьёзных инцидентах и обеспечивать кибербезопасность модели. Эти требования действуют с 2 августа 2025 года, а с 2 августа 2026 года Комиссия может применять штрафы в размере до 3% мирового годового оборота или 15 млн евро — в зависимости от того, какая сумма выше.

Закон Калифорнии о прозрачности в области передового искусственного интеллекта (SB 53), действующий с 1 января 2026 года, определяет передовую модель как модель, обученную с использованием более 10²⁶ операций, включая последующую тонкую настройку и обучение с подкреплением. Закон обязывает крупных разработчиков передовых моделей — тех, чей годовой доход превышает 500 млн долларов, — публиковать свои концепции безопасности передового ИИ, а разработчиков передовых моделей — сообщать о критических инцидентах, связанных с безопасностью, в Управление по чрезвычайным ситуациям штата в течение 15 дней. Пороговые значения вычислительных затрат — грубый инструмент: развитие алгоритмов и аппаратного обеспечения позволяет достигать прежних возможностей передовых моделей при всё меньших затратах на обучение, поэтому оба закона предусматривают пересмотр своих определений. Закон RAISE штата Нью-Йорк, изменённый в марте 2026 года для согласования определений с SB 53, включая порог дохода в 500 млн долларов для крупных разработчиков передовых моделей, вступает в силу 1 января 2027 года и даёт разработчикам 72 часа на сообщение о критическом инциденте, связанном с безопасностью.