Сравнение российских LLM: GigaChat, YandexGPT, Mistral — что выбрать

Среди российских нейросетей GigaChat и YandexGPT — самые обсуждаемые. Но какая из них лучше — зависит от сценария проекта: поддержки клиентов, генерации документов, кодогенерации.

Пять критериев: качество на русском, контекст и инструменты, лицензия и размещение, стоимость, экосистема

Критерии, по которым стоит сравнивать модели, прежде чем тестировать их на своих данных:

• Качество на русском — проверяют открытые бенчмарки MERA и SLAVA, независимые тесты на русскоязычных данных с фиксированной методологией.

• Контекст и инструменты — сколько текста модель обрабатывает за один запрос. 32 тысячи токенов хватит для короткого диалога, а для анализа договора или базы знаний понадобится уже 128–256 тысяч.

• Лицензия и размещение — с открытой MIT или Apache 2.0 модель разворачивают у себя в контуре. С проприетарным доступом по API — только облако разработчика, и точка.

• Стоимость — считают за миллион токенов, отдельно за вход и за выход.

• Экосистема — тут смотрят на готовые интеграции, документацию, SLA поставщика API и сообщество разработчиков вокруг модели.

Почему Mistral в списке: открытые веса и размещение в контуре как альтернатива закрытым API

GigaChat и YandexGPT — полностью российские нейросети, обученные и развернутые внутри страны. Mistral к этому списку не относится — команда разрабатывает свои системы во Франции. В статье Mistral рассматривается как открытая альтернатива для задач, где GigaChat и YandexGPT недоступны в нужном формате. Например, когда бизнесу нужен полный контроль внутри собственного дата-центра без передачи данных третьей стороне. Mistral Small и Mistral Large распространяются с открытыми весами под лицензией Apache 2.0. Их разворачивают на своих GPU и контролируют весь цикл обработки. В список российских нейросетей входят и другие имена — например, T-Pro от Т-Банка. Но в этом сравнении фокус на трех моделях с наибольшим объемом запросов.

Версии и контекст: от Lightning до Ultra, открытая лицензия MIT у части моделей, позиции в MERA

Несколько версий с разным балансом скорости и качества входят в линейку GigaChat 3 — русскоязычную нейросеть от Сбера. Lightning отвечает быстро и держит высокую пропускную способность — подходит для простых, частых запросов. Ultra идет дальше: расширенный контекст и более высокий результат на бенчмарке MERA. Часть линейки распространяется под лицензией MIT — с правом на коммерческое использование и развертывание в собственной инфраструктуре, например, через Evolution ML Inference. На бенчмарке MERA GigaChat стабильно входит в число лидеров среди отечественных нейросетей. Но отстает от топовых зарубежных решений по совокупному баллу.

Сильные стороны и ограничения на прикладных задачах: длинный контекст, RAG, вызов инструментов

GigaChat хорошо работает с русскоязычными текстами: помогает писать деловые письма, описания товаров и другой контент. Модель также поддерживает function calling — может вызывать внешние функции и API по запросу пользователя, например получать данные из корпоративных систем.

Отдельный сценарий — RAG, когда модель отвечает на вопросы, используя информацию из базы документов. На больших и специализированных базах качество ответа может снижаться, особенно если в документах много узких отраслевых терминов. В таких случаях важно правильно настроить поиск по базе и промпты. Для этого можно использовать проверенную базу знаний и подключить ее через Evolution Managed RAG.

Версии, контекст, доступ по API и через облако Яндекса; что изменилось с появлением Alice AI LLM

Актуальная версия линейки — YandexGPT 5.1 Pro. Работает с контекстным окном 128 тысяч токенов, доступна через API и облако Яндекса. Alice AI LLM — отдельная линейка, заточенная под роль ассистента внутри экосистемы Яндекса. С ее выходом голосовой и текстовый ассистент получил более современную архитектуру и лучше держит контекст диалога, чем более ранние версии YandexGPT в потребительских сценариях. Обе линейки остаются проприетарными. Развернуть их на своих серверах нельзя — доступ только по API.

Где YandexGPT сильнее, где уступает: генерация текста, работа с длинными документами, стоимость

Связные тексты на русском языке и адаптация стиля под задачу — сильная сторона YandexGPT: от рекламных материалов до технической документации. Но контекстное окно в 128 тысяч токенов ограничивает работу с длинными документами. Объемный договор или свод регламентов приходится делить на части. Для несложных случаев это работает. Но растет число запросов, а вместе с ним — риск потерять контекст между частями. Для регулярной работы с длинными файлами лучше подходят модели с окном от 128 тысяч токенов. Стоимость варьируется по тарифу и объему запросов. Закрытая лицензия исключает размещение в собственном контуре.

Mistral Small и Large: лицензии, качество на русском, требования к GPU для инференса

Фирменный чат-интерфейс Le Chat от Mistral AI позволяет быстро оценить качество ответов на русском языке перед выбором версии для развертывания. В линейке две модели. 

• Large — старшая версия с открытыми весами и лицензией, которая разрешает коммерческое использование. 

• Small — компактный вариант для случаев с ограниченным бюджетом на вычисления. 

С русским языком у Mistral есть нюанс: качество уступает специализированным российским решениям. Но для базовых задач вроде суммаризации и извлечения сущностей этого достаточно. Для инференса Large требуется серьезная видеокарта. Evolution ML Inference снимает эту нагрузку с внутренней инфраструктуры, давая доступ к GPU по требованию.

Как Mistral соотносится с Qwen и DeepSeek — другими открытыми моделями, доступными в России

По цене и качеству на русском языке с Mistral часто конкурируют китайские открытые системы — Qwen и DeepSeek. DeepSeek сильнее в кодогенерации и математических вычислениях. Qwen — в многоязычной работе с большим объемом данных. У Mistral свой козырь: юридическая прозрачность лицензии и опыт европейской разработки. Все три доступны в каталоге Evolution Foundation Models. Их тестируют без развертывания отдельной инфраструктуры под каждую.

Из сравнения видно: закрытая лицензия YandexGPT исключает вариант с размещением в собственном контуре, а GigaChat и Mistral подходят для случаев, где данные не должны покидать инфраструктуру компании.

Поддержка клиентов и RAG: что выбрать при чувствительных данных

Чат-боты с доступом к персональным данным клиентов должны маскировать чувствительную информацию перед отправкой в систему. Речь идет о номерах телефонов, адресах, номерах счетов — обо всем, что естественным образом попадает в переписку с клиентом. GigaChat и Mistral снижают этот риск. Развернутые через Evolution ML Inference с Guardrails Filter, они контролируют запросы на этапе отправки: фильтр заменяет чувствительные поля на плейсхолдеры до того, как запрос уходит в модель. YandexGPT — для другого случая: там, где нет строгих требований к размещению, а важнее скорость внедрения через готовый API. Например, для публичного бота с ответами на общие вопросы о продукте, где персональные данные в диалоге не фигурируют.

Генерация документов и маркетинг: где важнее качество русского языка

Описания товаров, рекламные тексты и деловая переписка держатся в первую очередь на грамотном русском языке. Контекстное окно и лицензия здесь менее критичны. В качестве примера возьмем интернет-магазин с каталогом на несколько тысяч позиций или агентство, которое готовит десятки коммерческих предложений в месяц. Здесь важнее стабильность стиля и минимум ручной правки, чем контекстное окно в сотни тысяч токенов. YandexGPT и GigaChat показывают сопоставимый уровень в этом сегменте. Выбор часто сводится к стоимости генерации при большом объеме текста и скорости интеграции с уже используемой CMS или CRM.

Кодогенерация и агенты: где важнее вызов инструментов и длинный контекст

Многошаговый вызов функций и обращение к нескольким инструментам подряд — типичный сценарий для агентов. Здесь длинный контекст и стабильный function calling важнее общего балла на бенчмарке. Например, агент для обработки заявок: он работает пошагово, каждый следующий вызов использует результат предыдущего:

1. Запрашивает данные клиента и статус заявки из CRM.

2. Проверяет остатки на складе через отдельный API.

3. Формирует и отправляет ответ клиенту, опираясь на данные из первых двух шагов.

Промежуточные результаты добавляются в контекст следующего вызова. При окне в 128 тысяч токенов такая цепочка быстро упирается в лимит и теряет начальные инструкции. Здесь выигрывают GigaChat и Mistral — с контекстом от 128 тысяч токенов и поддержкой function calling. А собрать саму цепочку вызовов удобно в сервисе Evolution AI Agents поверх любой из выбранных моделей.

Для более простого старта с ИИ-агентами есть Cloud.ru Agents Space — пространство, где можно ставить агенту задачи в чате, загружать файлы и подключать готовые сервисы. Агент сам планирует последовательность действий, работает с подключенными инструментами и возвращает результат. Например, он может разобрать почту, найти свободное время в календаре, подготовить документ или собрать отчет. При этом доступы к сервисам и действия агента остаются под контролем пользователя. 

Evolution Foundation Models: 20+ моделей через единый API и веб-интерфейс, оплата по факту, AI Playground для сравнения

Доступ к GigaChat, Qwen, DeepSeek, GLM и другим нейросетям через единый OpenAI-совместимый API открывает сервис Evolution Foundation Models. Оплата — по факту использования: за количество входных и выходных токенов, без абонентской платы за неиспользованные ресурсы. Сравнить модели можно прямо в личном кабинете — через AI Playground, на одном запросе, без переключения между провайдерами. Лимит стандартный: 20 запросов в секунду на один API-ключ. Для более высокой нагрузки модель разворачивают в приватном экземпляре через Evolution ML Inference.

Guardrails: маскирование корпоративных и персональных данных в запросах к внешним моделям

Чувствительные данные в запросах к внешним LLM проверяет и маскирует до отправки фильтр Guardrails. Встретился в тексте номер карты, ФИО клиента или номер договора? Фильтр заменяет их плейсхолдерами до отправки в модель и восстанавливает исходные значения в ответе. Так снижается риск утечки и упрощается соответствие 152-ФЗ о хранении данных на территории России — особенно когда запрос уходит во внешнюю LLM за пределами инфраструктуры Cloud.ru. Есть и второй уровень защиты — Guardrails LLM. Он проверяет сами запросы на скрытые инструкции, которые пытаются переопределить системный промпт агента.

Evolution ML Inference: размещение открытых моделей, включая Mistral, в инфраструктуре Cloud.ru

Открытые нейросети из Hugging Face, включая Mistral, запускаются на выделенных GPU-ресурсах Cloud.ru через сервис Evolution ML Inference. Доступны видеокарты Nvidia V100, A100 и H100 — с разным соотношением цены и производительности. А технология Shared GPU позволяет частично использовать один ускоритель под несколько задач: не нужно переплачивать за простаивающие ресурсы. Собственные видеокарты закупать не придется — заказчик получает частный экземпляр, трафик остается внутри облачной инфраструктуры. Есть и гибкость в средах исполнения: помимо готовых моделей, сервис поддерживает vLLM, TGI и Ollama.

Команда собирает 50 реальных запросов из своего сценария: обращений в поддержку, черновиков документов, задач кодогенерации. Каждый запрос отправляется всем трем нейросетям через единый API Evolution Foundation Models — без изменения промпта. Дальше — оценка. Ответы сравнивают по четырем метрикам: точность, соответствие формату, скорость генерации и стоимость запроса. По итогам команда выбирает финалиста для полноценного внедрения или комбинацию решений под разные случаи использования внутри одного продукта.

Если интересует, как такие ИИ-системы строят на практике, 15 октября в Москве пройдет GoCloud Tech 2026 — хардовая конференция Cloud.ru для инженеров и разработчиков. В программе: инфраструктура, разработка, данные и ML, а также практические воркшопы и инженерные кейсы. 

Универсального победителя среди российских нейросетей нет:

• GigaChat берет длинным контекстом и открытой лицензией. 

• YandexGPT — интеграцией с сервисами Яндекса и качеством генерации текста. 

• Mistral и другие открытые решения — полным контролем в собственном контуре. 

Правильный выбор опирается на тестовые запросы самой компании. Чужой рейтинг здесь дает только ориентир. Протестировать все три варианта на своих данных можно за один день в Evolution Foundation Models — с готовым API вместо отдельного стенда под каждый из них. 

Частые вопросы и ответы

• Какие нейросети считаются российскими?

  Юрисдикция разработчика в России — главный признак: например, ГигаЧат создан Сбером, а YandexGPT — Яндексом. Mistral, в отличие от них, — разработка французской Mistral AI, поэтому в тексте она обозначена как открытая альтернатива для размещения в контуре. Статус «российская LLM» к ней не относится.

• Что лучше — GigaChat или YandexGPT?

  Однозначного лидера нет. У GigaChat — более широкое контекстное окно и открытая лицензия на часть линейки. У YandexGPT — сильная генерация текста на русском языке и удобная интеграция в сервисы Яндекса. Выбор зависит от сценария и требований к размещению данных.

• Можно ли использовать Mistral в России и в закрытом контуре?

  Да, Mistral распространяется с открытыми весами: ее можно развернуть на собственных серверах или запустить как частный экземпляр в сервисе Evolution ML Inference на площадках в России.

• Что такое бенчмарк MERA и как его читать?

  Открытый и независимый набор задач на знания, логику и работу с текстом — так устроен бенчмарк MERA для оценки русскоязычных LLM. Результат указывается в баллах из 100 с датой замера, поскольку модели обновляются и позиции в рейтинге меняются.

• Какая LLM лучше подходит для RAG по корпоративным документам?

  Чувствительные данные не должны покидать инфраструктуру заказчика — поэтому для RAG лучше подходят GigaChat или Mistral в сервисе Evolution ML Inference, с размещением в контуре.

• Сколько стоит использование российских LLM по API?

  Цена считается по токенам: отдельно за то, что система получает на входе, и за то, что генерирует на выходе, а конкретная сумма зависит от версии. Актуальные тарифы указаны в каталоге сервиса Evolution Foundation Models.

• Как протестировать несколько LLM на своих данных?

  Через AI Playground в Evolution Foundation Models: нейросети доступны по единому API, а сравнение ответов на одном запросе занимает несколько минут без развертывания отдельной инфраструктуры.