Яндекс объединил текстовую и визуальную модели Алисы AI в одну

Яндекс рассказал, как свёл в Алисе AI текстовую и визуальную модели в одну. Раньше запросы обрабатывались двумя генеративными моделями — текстовой LLM и визуальной VLM для картинок, — а между ними стоял непрозрачный роутер, из-за которого ответы отличались форматом и вёрсткой.

Сведение в одну омнимодель заняло почти год. Теперь текст и изображение разбирает одна модель, поэтому ответы не различаются по стилю в зависимости от того, что прислал пользователь. Разбор компания опубликовала в своём блоге на Хабре.