Як розпізнати фейкові «національні AI-моделі» при оцінці інвестицій

TL;DR

• •Новий закон про суверенний AI відкрив доступ до B2G-бюджетів за «національні моделі»
• •Спекулянти видають Qwen за власну архітектуру: розміри 9B/35B/122B, контекст >1M токенів
• •Чек-лист аудиту: звірити спеки з Hugging Face, вимагати патенти/статті/склад команди під NDA
• •Розрахувати потрібні токени/GPU через scaling laws — якщо бюджет не покриває обсяг, це фрод
• •Пост-тренінг відкритих моделей без розвалювання якості вимагає справжньої ML-команди

Як це змінить ваш ринок?

Українські компанії, що працюють з держзамовленнями або шукають гранти на AI, натраплять на ідентичні пропозиції: «ми зробили власну модель, дайте гроші на донавчання». Головний блокер — невідсутність технічної прозорості. Ця стаття дає мінімальний набір фільтрів, щоб не втратити бюджет на перепакований open-source.

Визначення: Scaling laws (закони масштабування) — емпіричні формули, що зв’язують розмір моделі (параметри), обсяг навчальних токенів і оптимальний compute-бюджет (GPU-години). Дозволяють оцінити, чи реалістичний заявлений план навчання.

Для кого це і за яких умов

• •Лідерство / Фінанси: якщо розглядаєте інвестиції в «національний LLM» — аудит займає 1-2 дні, потрібен доступ до ML-експерта (внутрішнього або аудитора). Мінімальний чек: перевірка архітектури + scaling-law калькулятор.
• •IT / ML-команда: маєте здатність запустити евалюацію на тестових промптах, порівняти з базовим Qwen. Час: 4-8 годин за наявності GPU.
• •Менш 10 осіб / без ML-експерта: дію неможливо виконати якісно — ескалюйте до зовнішнього аудитора або відмовтеся.

Альтернативи