«Яндекс» разработал и обучил с нуля на собственных данных генеративную рекомендательную модель Sonai, которая полностью заменяет конвейер из десятков (по данным Код.ру — более 15) отдельных алгоритмов подбора и ранжирования. Модель уже тестируется на ограниченной группе пользователей умных колонок с «Алисой» для подбора музыки, а в перспективе «Яндекс» планирует проверить её и в «Яндекс Рекламе».

Значимость в том, что по итогам недельного теста все ключевые метрики выросли, и, как утверждается в материалах «Яндекса», компания первой в мире разработала и проверила в реальных условиях систему, где единая нейросеть сама находит закономерности без ручного подбора признаков — в отличие от китайской Kuaishou (оставила ручные признаки) и Pinterest (объединил лишь часть этапов конвейера).

• Sona устроена как языковая модель, но вместо следующего слова предсказывает следующий трек; каждой песне соответствует код из трёх токенов, который генерирует отдельная нейросеть по первым 90 секундам звучания, названию и тегам трека
• Вместо вручную сконструированных признаков Sona получает сырую историю действий пользователя — до 8192 последних событий (прослушано, пропущено, лайк, дизлайк); пропущенный трек попадает в обучение модели примерно через 45 минут
• Развитие рексис «Яндекса»: модель продолжает линейку ARGUS и Gryphon (по данным 3DNews); Argus (2025) опирался на scaling lawsi — масштабирование по данным и вычислениям (по данным Data Secrets)
• Исторический контекст по словам Алексея Гусакова, CTO бизнес-группы поисковых сервисов и ИИ Яндекса: классический конвейер из пяти стадий существовал около 10 лет; в 2019 трансформер BERTi пришёл в поиск, а в 2023 — в рекомендации, поднял ключевую метрику качества с 0,56 до 0,84 за год
• Тренд общий для индустрии: TikTok, Netflix и китайские e-commerce-гиганты публикуют статьи о переходе на generative recommenders — модели, предсказывающие следующий айтем аналогично тому, как LLM предсказывает следующий токен
• Подробности архитектуры и обучения Sona опубликованы в статье на Habr и в научной статье на arxiv.org