Компактная ИИ-модель точнее оценивает риск дорог по фотографиям

Авторы не просто обучили модель повторять готовые ответы. Сначала они проверили «учителя» — более крупную модель — на реальных полевых аудитах и разрешили ей размечать новые фотографии только после достаточно высокого совпадения с экспертами. Затем эти размеченные примеры превратили в структурированные подсказки для компактной модели. Такой подход должен был решить сразу две проблемы: дорогие выезды специалистов и риск того, что большая модель начнёт уверенно выдавать ошибки без контроля.

Проверку провели на фотографиях из мест, которые не попадали в обучение, поэтому модель нельзя было выручить запоминанием знакомых участков дорог. Для каждой фотографии она должна была определить порядковый уровень риска — то есть отличить, например, более опасную ситуацию от менее опасной, а не просто угадать произвольную категорию. На полном тесте модель стабильно выдавала ответ: специальный маркер риска нашли во всех 3 447 случаях, а текстовый ответ почти всегда совпадал с внутренней оценкой модели. Это важно технически: итоговое сравнение меньше зависит от случайных сбоев генерации.

Главный неожиданный результат — компактная модель оказалась лучше не только базовой версии без дообучения, но и использованной модели-«учителя» с 31 миллиардом параметров, а также Gemini-2.5-Flash. Значит, в этой задаче решающим оказался не один размер модели, а качество и происхождение примеров, на которых её учили. Авторы пока планируют расширять работу на другие типы дорог и добавлять дополнительные источники данных, поэтому нынешняя система — скорее основа для масштабного аудита, чем готовая замена специалистам.