Российские нейросети 2026: полный список отечественных моделей и сервисов

Российский рынок нейросетей за короткое время стал отдельной экосистемой. Появились собственные языковые модели, модели для речи, зрения, генерации изображений и видео. Одновременно выросло число сервисов, которые называют себя нейросетями, хотя на деле они являются оболочками над чужими моделями или просто удобными интерфейсами.

В этой статье собирается один список именно моделей. Не платформ, не ботов, не редакторов. Уточним. Модели - это то, что обучено и может использоваться через API или в виде весов. Сервисы - это готовые продукты, где модель скрыта внутри, а ценность дается интерфейсом и сценариями.

Чтобы список не превратился в рекламу, будем использовать несколько условных правил.

С этим мы разобрались. Можем начинать =)

Большая часть выбора начинается с больших языковых моделей. Они закрывают работу с текстом: письма, отчеты, инструкции, ответы поддержки, суммаризацию документов, поиск нужного фрагмента в длинном файле. В прикладных задачах решают три вещи: качество русского, длину контекста и удобство подключения через API.

YandexGPT. Линейка Яндекса для генерации текста в Yandex Cloud. По сути это универсальная LLM для бизнес-сценариев: черновики писем и документов, переработка текстов, извлечение фактов, ответы по внутренним материалам.

Внутри линейки используются варианты Pro и Lite. Pro выбирают, когда важнее точность, устойчивость к сложным инструкциям и качество текста. Lite ставят туда, где важнее скорость и цена, а задачи проще и короче. Для сценариев с документами и длинными входными данными важен крупный контекст, у поколения YandexGPT 4 он заявлялся на уровне текста примерно до 60 страниц.

GigaChat. Линейка Сбера второго поколения: GigaChat 2 Lite, GigaChat 2 Pro, GigaChat 2 Max. Это тот же класс универсальных LLM, но с четким делением по уровню задач. Lite подходит для быстрых рутинных операций, когда требуется просто сформулировать ответ, переписать текст, сделать короткую выжимку. Pro рассчитан на более сложные инструкции, аккуратную работу с большим текстом и устойчивость в многошаговых сценариях. Max берут, когда важны самые тяжелые цепочки рассуждений и длинные диалоги.

Для Pro и Max используется большое контекстное окно 128 тысяч токенов, это важно для работы с регламентами, отчетами и большими наборами входных данных. В документации Сбера даны и численные ориентиры по качеству на стандартных бенчмарках, и тарифы в пересчете на миллион токенов, это помогает сравнивать модель не по ощущениям, а по цифрам.

ruGPT от ai-forever. Открытое семейство русскоязычных языковых моделей, которое ставится локально и донастраивается под свой корпус. Это отличный выбор для задач, где важнее контроль данных и окружения: закрытый контур, жесткие требования к хранению текстов, необходимость тонкой настройки под отраслевой язык. В линейке несколько размеров, от компактных до крупных, и это позволяет выбирать баланс между качеством и требованиями к железу.

LLM почти никогда не работает в одиночку. Для корпоративных задач нужен поиск по документам: регламенты, инструкции, переписки, базы знаний. В таких сценариях две модели решают половину качества: эмбеддинги превращают текст в векторы, reranker пересортировывает найденные фрагменты, чтобы наверху были самые релевантные.

Yandex AI Studio Embeddings. В Yandex Cloud есть отдельные модели векторизации под поиск: text-search-doc для длинных документов и text-search-query для коротких запросов. Выходной размер вектора 256. Эти эмбеддинги закрывают базовый стек для RAG, когда вопрос пользователя сначала превращается в вектор, затем подбираются похожие куски из базы, и только после этого LLM собирает ответ. Для эмбеддингов предусмотрена донастройка.

ai-forever sbert_large_nlu_ru. Это крупная русскоязычная Sentence-BERT модель для качественных эмбеддингов предложений и коротких абзацев. Ее обычно ставят, когда нужен самостоятельный стек без облака: локальный векторный поиск, кластеризация текстов, дедупликация, похожие вопросы, семантический поиск по базе обращений. Модель доступна как открытая на Hugging Face.

DeepPavlov RuBERT и Sentence RuBERT. Это семейство русскоязычных BERT-моделей, которое широко используется как база для задач понимания текста. Отдельно выделяется Sentence RuBERT как энкодер предложений, его применяют для семантического поиска и близости текстов. Такие модели часто используются как основа для ранжирования и поиска, когда генерация текста не нужна, а нужна точная релевантность.

Речевые модели в России закрывают два массовых сценария. Первый - расшифровка звонков, интервью и встреч. Второй - озвучка текста для колл-центров, роликов, навигации и голосовых ассистентов.

Yandex SpeechKit. В облаке Яндекса доступен полный контур Speech-to-Text и Text-to-Speech. Для распознавания базовая модель - general, она используется как универсальная для русского языка и длинных, и коротких фраз. Поддерживаются версии моделей через теги, есть автоопределение языка. Для синтеза доступ идет через API, есть два варианта интерфейса: REST и gRPC. Голоса и их обновления живут как отдельные версии. Например, в 2025 году в релизах добавлялись и переименовывались голоса, а также появлялся Brand Voice Lite для создания собственного голоса.

Silero TTS. Это открытое семейство нейросетевых моделей синтеза речи, которое часто ставят локально. Сильная сторона для русского - автоматическая постановка ударений и разруливание омографов, плюс быстрый инференс на CPU. Доступ простой: через PyTorch Hub или через pip-пакет. Такой класс выбирают, когда нужен контроль окружения и предсказуемость: озвучка в приложении, генерация аудио пачками, локальные сервисы без внешнего облака.

Vosk и Kaldi-ru от Alpha Cephei. Это популярный открытый стек для распознавания речи, который используют как локальную альтернативу облачным STT. Есть готовая русская сборка в виде docker-образа kaldi-ru, она поднимает websocket-сервер для потокового распознавания. На практике это берут для задач вроде on-prem расшифровки звонков и диалогов, где важнее контроль данных, чем максимальная точность на редких доменных терминах.

После текста и речи чаще всего всплывает следующая задача - документы и изображения. Распознавание паспорта и водительского, извлечение данных из договоров, чтение таблиц со сканов, номера машин на парковке, поиск людей по камерам, контроль очередей и транспорта.

Yandex Vision OCR. OCR-сервис в Yandex Cloud для распознавания текста в изображениях и PDF. Внутри есть отдельные режимы под тип документа: обычная страница, многоколонный текст, таблицы, смешанный рукописный и печатный текст, а также модели для типовых документов и номерных знаков. Среди моделей прямо перечислены page, page-column-sort, table, handwritten, passport, driver-license, vehicle-registration и license-plates.

NtechLab FindFace Multi и линейка Ntech-продуктов. Это класс видеоаналитики, где основной упор - распознавание лиц и детектирование объектов на видеопотоке, плюс прикладные продукты для городской среды и медицины. В продуктовой линейке есть FindFace Multi для распознавания лиц, силуэтов и действий людей и детектирования автомобилей.

В российском контуре два направления дают основной объем использования. Первое - собственные модели, которые доступны через API и внутри экосистем. Второе - open-source модели и их локальные сборки, когда важен полный контроль и независимость от облака.

Kandinsky. Это семейство генеративных моделей Kandinsky Lab. Линейка включает несколько поколений и вариантов под скорость и качество. Kandinsky 2.0 и 2.1 работают как диффузионные модели для генерации изображений и редактирования.

Kandinsky 3.0 поднял качество и точность следования тексту. Kandinsky Flash и Kandinsky 3.1 ориентированы на быстрые генерации и повышение качества за счет отдельного этапа уточнения. В линейке есть и более поздние поколения, включая модели, которые закрывают не только изображения, но и видео.

Один важный прикладной момент для России - работа с русскими промптами и кириллицей, потому что это напрямую влияет на баннеры, упаковку, слайды и скриншоты для маркетинга.

YandexART. Это генеративная модель Яндекса для изображений и анимации, которая живет внутри экосистемы Яндекса и доступна для бизнеса в Yandex Cloud. В поколении 2.0 акцент сделан на генерацию текста на изображениях и более аккуратную компоновку объектов, то есть на задачи вроде логотипов, баннеров, иллюстраций для сайтов и соцсетей. Отдельная ветка применения - креативы в рекламе и генерация изображений через инструменты Яндекса.

Главный российский игрок в генерации видео по тексту - линейка Kandinsky Video от Сбера. Это именно модель генерации видео, а не просто видеоредактор с эффектами.

Kandinsky Video 1.1. Бета-версия показана 30 мая 2024 года. Модель генерирует ролики до 6 секунд по тексту и по изображению. Поддерживаются форматы 16:9, 9:16 и 1:1. Есть параметр motion score для управления динамикой.

Kandinsky 4.0 Video. Бета-версия представлена в декабре 2024 года. Модель генерирует видео до 12 секунд в HD 1280x720 по текстовому описанию или по стартовому кадру. Есть поддержка разных соотношений сторон. Параллельно идет Kandinsky 4.0 Video Flash как быстрый вариант с более простым качеством и более быстрым временем генерации.

Kandinsky 4.1 Video. Представлена на GigaConf в июне 2025 года. Генерация идет по тексту или по стартовому кадру. Длительность до 10 секунд, варианты качества SD 720x576 или HD 1280x720.

С аватарами ситуация другая. Публичных российских базовых моделей talking head и lip-sync, которые можно назвать отдельными открытыми семействами уровня Kandinsky, на рынке нет. В практических проектах в России обычно используют связку из трех частей: синтез речи, подготовка видео и слой синхронизации губ. Из российских компонентов в этой связке чаще всего встречаются российские TTS и STT, а видео берут из генераторов вроде Kandinsky Video или из обычного видеоматериала.

Выбор нейросети в 2026 году - может оказаться непростым.

Да, если сравнивать с западными лидерами по максимуму качества, сложным рассуждениям, коду, мультимодальности и длинным многошаговым задачам, разрыв огромный.

Да, оценка в итоге действительно зависит от задачи и условий..

Но и время сейчас такое, что критерий "можно ли этим пользоваться завтра и легально" иногда важнее, чем табличка бенчмарков.

Хорошо, что они есть =)

Из личного опыта. Один из моих ботов работает на API Yandex GPT. С января по февраль - через него прошло 14000 пользователей. И никто пока не жаловался. Свою задачу нишевую - закрывает не хуже Chat GPT.