«Т-Технологии» открыли первую русскоязычную модель для корпоративного поиска ИИ: затраты ниже в 5 раз

Группа «Т-Технологии» опубликовала модель T-Search на платформе Hugging Face вместе с кодом для интеграции, сообщили Forbes в пресс-службе компании. На разработку, включая вычислительные мощности и зарплаты, потратили 70 млн рублей. Модель рассчитана на так называемый Agentic RAG, подход, при котором ИИ-агент (программа, способная действовать самостоятельно) сам решает, какие документы открыть, какие уточняющие запросы сделать и в каком порядке собрать ответ.

Чем T-Search отличается от обычного RAG?

Классический RAG (Retrieval-Augmented Generation, технология, при которой модель ищет фрагмент в базе и сразу генерирует ответ) делает один шаг: нашёл кусок текста и отдал его генератору. T-Search сосредоточена именно на поиске: она последовательно обходит внутренние базы знаний, уточняет контекст и только потом передаёт собранное любой языковой модели для финального ответа.

По данным «Т-Технологий», многошаговый подход снижает риск галлюцинаций (когда ИИ уверенно выдумывает то, чего не было), потому что генератор получает более полный набор фактов, а не один случайный фрагмент.

На чём построена модель и сколько «железа» нужно?

T-Search создана на базе Qwen3.6-35B-A3B. Архитектура содержит 35 млрд параметров, но одновременно активны только 3 млрд. Это значит, что модель помещается на один графический процессор Nvidia H100.

По данным разработчиков, такая схема даёт три преимущества:

• Обработка запросов до трёх раз быстрее по сравнению с открытыми моделями сопоставимого качества.
• Затраты на обработку до пяти раз ниже.
• Параллельная работа нескольких поисковых ИИ-агентов повышает качество поиска до 15%.

Решение ориентировано на развёртывание внутри периметра компании. Данные не уходят во внешние облачные сервисы, что помогает соблюдать требования по защите персональных и других чувствительных данных.

Что понадобится

• Доступ к Hugging Face и модели T-Search (открытые веса, скачивается бесплатно).
• GPU-сервер с Nvidia H100 (или эквивалент с достаточным объёмом видеопамяти) для локального запуска.
• Корпоративная база знаний в текстовом или структурированном формате, к которой модель будет обращаться.
• Языковая модель-генератор на выбор: T-Search отдаёт контекст, а ответ формирует отдельная модель.
• Время на интеграцию: от нескольких часов на тестовый прогон до нескольких дней на встраивание в продуктивную систему (зависит от размера базы).

Пошаговая инструкция

1. Зайдите на страницу T-Search на Hugging Face и скачайте веса модели вместе с кодом интеграции.
2. Подготовьте серверное окружение: убедитесь, что на машине установлен драйвер Nvidia, CUDA и Python-фреймворк для запуска (например, PyTorch).
3. Загрузите модель на GPU-сервер и запустите её по инструкции из репозитория.
4. Подключите вашу корпоративную базу знаний: укажите путь к документам или API внутреннего хранилища.
5. Настройте цепочку: T-Search ищет и собирает контекст, а затем передаёт его выбранной вами языковой модели-генератору.
6. Протестируйте на реальных запросах сотрудников: задайте вопрос, который раньше требовал ручного поиска по нескольким документам, и сравните результат.

Что это даёт вам прямо сейчас, по ролям?

Автору Дзена и копирайтеру. Если вы работаете с большими базами материалов (например, ведёте корпоративный блог крупной компании), T-Search может ускорить сбор фактуры: вместо ручного поиска по десятку регламентов ИИ-агент соберёт нужные фрагменты сам.

Маркетологу. Корпоративный поиск ИИ такого типа полезен для команд, которые обрабатывают сотни обращений: поддержка, продажи, онбординг. Меньше времени на поиск внутри базы знаний, быстрее ответ клиенту.

Предпринимателю в РФ. Модель доступна без ограничений, код и веса открыты. Локальное развёртывание решает вопрос с ФЗ-152 и внутренними политиками безопасности: данные не покидают ваш контур. Для сравнения: зарубежные аналоги подобного класса чаще всего требуют облачной подписки и передачи данных на внешние серверы.

Директор центра искусственного интеллекта Т-Банка Дмитрий Ушанов подчеркнул, что компактная архитектура позволяет до двух раз сократить требования к вычислительным ресурсам без потери качества многошагового поиска. Для компаний, которым локальное развёртывание не просто удобно, а обязательно, это аргумент попробовать модель прямо сейчас, пока конкуренты ещё подключают очередной облачный API.