Японская компания ELYZA бесплатно открыла две модели. Обе заточены под японский язык, рассуждения, инструкции и локальный запуск. Названия длинные: ELYZA-Thinking-1.0-llm-jp-4-33b и ELYZA-Thinking-1.0-llm-jp-4-32b-a3b.

Обе модели появились на Hugging Face 2 октября 2026 года. Лицензия Apache 2.0 разрешает коммерческое использование. Веса можно скачать, развернуть у себя и встроить в рабочий пайплайн.

База — LLM-jp-4, открытая японская модель проекта LLM-jp, связанного с Национальным институтом информатики Японии. ELYZA провела промежуточное и последующее обучение. Главный фокус — японский язык.

Что именно открыла ELYZA

Первая модель — плотная 33B. Вторая — MoE на 32,1 млрд параметров. MoE расшифровывается как Mixture of Experts: внутри много экспертных блоков, но на каждом токене работает лишь часть. У ELYZA активны примерно 3,8 млрд параметров.

Для локального запуска разница заметная. Полный размер модели по-прежнему влияет на объём памяти, зато вычислительная нагрузка ближе к небольшой активной модели. В карточке также указан контекст на 65 536 токенов.

По данным японского обзора Local Model Watch, японский токенизатор ELYZA расходует примерно на 40% меньше токенов, чем токенизатор Qwen3 на одном и том же тексте. По замеру автора обзора, в такой контекст помещается примерно в 1,66 раза больше японского материала.

Для сценариев, субтитров и длинных брифов это может оказаться полезнее лишних баллов в абстрактном тесте. Меньше токенов — меньше возни с обрезанным контекстом и потенциально ниже стоимость инференса.

Японский LLM-jp-4 против красивой этикетки

В первой версии карточки модели стояла формулировка Fully domestic foundation. ITmedia сначала перевела её как «полностью отечественная база», а позже исправила формулировку. ELYZA объяснила: компания говорила о разработке внутри японских компаний, без дополнительного оттенка, который мог появиться из-за слова «полностью».

«RSI сам по себе пока не реализован» — уточнение ELYZA о проекте Recursive Self-Improvement.

Релиз связан с запуском ELYZA RSI Research — исследовательской группы, которая изучает «разработку AI с помощью AI». В описании компании цикл выглядит так: агент улучшает модель или инструменты, система оценки проверяет результат, а обратная связь попадает в следующую итерацию.

Нынешняя публикация — элементарное исследование перед RSI. Автономной машины, которая бесконечно улучшает себя, здесь нет. Заголовок «AI создал AI» пока был бы слишком громким: опубликованы модели и описано направление исследований.

Что показывают бенчмарки японской модели

В опубликованных сравнениях ELYZA-Thinking-1.0-llm-jp-4-33b получила 77,53 на MMLU-Pro по английскому и 84,69 на JMMLU по японскому. Базовая llm-jp-4-33b-thinking показала 75,74 и 85,22, а llm-jp-4.1-33b-thinking — 78,82 и 85,49 соответственно.

В той же таблице Qwen3-32B набрала 78,75 на MMLU-Pro и 86,09 на JMMLU. Qwen3.5-27B — 85,42 и 90,11, Gemma 4 31B — 85,50 и 90,17. По общей картине ELYZA не выглядит безусловным лидером.

Сильная сторона релиза в другом: японская локализация, открытые веса, коммерческая лицензия и возможность держать данные у себя. По качеству модель конкурирует, но не забирает первое место во всех тестах.

В статье AI速報 отдельно отмечены данные обучения: японские версии математических, кодинговых и STEM-задач, инструкции с несколькими проверяемыми ограничениями, а также синтетические знания из японской Wikipedia и Wikidata. Такие данные должны помогать с локальными реалиями и сложными инструкциями.

Как применить японскую LLM в работе

Если у вас есть японские заказчики или контент, я бы начал с MoE-версии ELYZA-Thinking-1.0-llm-jp-4-32b-a3b. Лучше взять узкий набор своих задач и сравнить результат, чем устраивать общий тест ради галочки.

Подойдут такие сценарии: • адаптация русских сценариев под японскую аудиторию; • проверка японских субтитров и диалогов; • разбор брифов от японских клиентов; • подготовка вариантов заголовков и описаний; • извлечение требований из длинных документов; • черновая переписка на японском и английском.

Для визуального автора это внутренняя текстовая станция. Модель не создаёт изображения, видео или звук: в карточке указан pipeline text-generation. Зато её можно поставить перед видеогенерацией — разобрать бриф, собрать структуру сцен, проверить ограничения и подготовить японские реплики.

Ориентир Local Model Watch для 32B-A3B — около 19–20 ГБ видеопамяти, в зависимости от формата, контекста и реализации. Это уже территория RTX 3090, RTX 4090 или арендованного GPU. Точную конфигурацию придётся проверять на выбранной квантовке.

Практический тест я бы построил в три прохода: 1. Взять 20–30 реальных японских фрагментов: сценарии, письма, субтитры, брифы. 2. Сравнить ELYZA с текущей моделью по смыслу, вежливости, именам и локальным реалиям. 3. Отдельно замерить скорость, расход памяти и количество исправлений человеком.

Не стоит переносить модель в продакшен после одного удачного ответа. Бенчмарк показывает среднюю картину. Он не скажет, как модель переведёт название вашего персонажа или поймёт странный японский бриф.

Где модель пока не закрывает задачу

Главное ограничение — текстовый формат. Для картинки, моушна и липсинка понадобятся отдельные инструменты. ELYZA подготовит материалы, но не заменит Seedance, GPT Image или аудиомодель.

Опубликованные баллы тоже нельзя читать как универсальный рейтинг. В некоторых тестах ELYZA обходит LLM-jp-4.1, но в приведённых сравнениях Qwen3.5 и Gemma 4 заметно сильнее по нескольким показателям. Здесь японская специализация важнее заявления «самая умная».

Локальность не отменяет технических расходов. Бесплатные веса требуют GPU, RAM, настройки сервера и поддержки обновлений. Для клиентских материалов это всё равно может быть важнее удобного API: данные не обязательно отправлять в чужое облако.

В японских публикациях вокруг релиза пока не видно отдельной волны независимых тестов или заметной реакции креаторов. AI速報 на момент публикации указывал отсутствие комментариев. Сейчас это аккуратный инженерный релиз, а не народный хит.

Зачем следить за ELYZA RSI Research

ELYZA хочет автоматизировать процесс улучшения моделей. В официальном описании следующий шаг выглядит так: AI-агент предлагает изменения, оценочная система их проверяет, а человек постепенно переходит от ручной работы к контролю результата.

Пока это план исследовательской программы, а не готовый продукт. Думаю, практическая ценность текущего релиза проще: появился ещё один открытый инструмент для японского текста, который можно запускать коммерчески и локально.

Источники

ELYZA запускает ELYZA RSI Research и публикует результаты исследований

ELYZA открыла reasoning-модель на базе llm-jp-4 под Apache 2.0

ELYZA-Thinking-1.0: характеристики, производительность и локальный запуск

Японская ELYZA бесплатно открыла модели на базе LLM-jp-4

Источникitmedia.co.jp