Aleph Alpha описала специализацию Kolibri для sovereign RAG
Aleph Alpha представила подход к специализации открытой LLM Kolibri для агентных RAG-систем без обучения на пользовательских данных. Компания заявляет о лучшем среднем результате среди сравнивавшихся открытых моделей.
Aleph Alpha опубликовала исследовательский материал о том, как специализировала открытую языковую модель Kolibri для sovereign agentic RAG. Под sovereign-сценариями компания понимает применения, где важны контроль над размещением модели, её настройками и данными, а также соответствие требованиям регулируемых отраслей.
По описанию Aleph Alpha, Kolibri должна работать на английском и немецком языках, поддерживать широкий набор навыков и сохранять качество на RAG-задачах с данными, отличающимися от обучающей выборки. Компания отдельно подчёркивает ограничение, важное для таких клиентов: модель специализировали без использования пользовательских данных.
Для проверки подхода Aleph Alpha использовала семь бенчмарков agentic RAG. Пять из них, по словам компании, смоделированы по реальным клиентским развёртываниям. В среднем Kolibri получила лучший результат среди ведущих открытых моделей, с которыми её сравнивали, включая модели того же размера и модели, использующие больше вычислений на токен.
Основной акцент публикации сделан не на добавлении конкретных документов в обучение, а на воспроизведении общих свойств рабочих сценариев. Компания описывает настройку под agentic harness — набор поисковых инструментов, правила работы с результатами, извлечение документов и поддержку нескольких языков. Такой подход должен позволить адаптировать модель к технической и отраслевой документации, не передавая разработчику содержимое клиентских корпусов.
Практический смысл для команд — возможность строить RAG-системы с более специализированным поведением модели, сохраняя контроль над исходными данными. Однако приведённые результаты остаются заявлением разработчика, поскольку в источнике нет независимой проверки бенчмарков.
Почему это важно
Подход показывает, как адаптировать открытую LLM к отраслевым RAG-сценариям без обучения на пользовательских данных, что важно для регулируемых и суверенных применений.
