Как Яндекс формирует AI-ответы в Поиске: что известно об Alice AI Search

В сентябре 2026 года Яндекс сделал необычный для поисковой системы шаг: открыл базовую языковую модель, на основе которой развивается система быстрых AI-ответов в Поиске.

Alice AI Search Pretrain доступна под лицензией Apache 2.0. Модель обучена с нуля, содержит около 35 млрд параметров и использует гибрид Encoder-Decoder и Mixture of Experts. При обработке одного токена активируется около 600 млн параметров — менее 2% от общего числа.

Но для SEO здесь важно сразу разделить две вещи.

Alice AI Search Pretrain — это открытая базовая модель.

AI-ответ, который пользователь видит в Поиске Яндекса, — это production-система, включающая поиск, обработку источников, дополнительные модели и дообученную генеративную модель.

Открытие первой части не означает открытия второй целиком.

И тем более из опубликованной архитектуры нельзя вычислить, как написать текст, который гарантированно станет источником для Алисы AI.

Что именно открыл Яндекс

Опубликованная Alice AI Search Pretrain — это pretrained, то есть базовая версия модели после первого большого этапа обучения.

Она уже обладает общими языковыми знаниями и способностью работать с большими объёмами текста, но это не идентичная копия production-модели, отвечающей пользователям Яндекс Поиска.

Яндекс сообщает, что дообученная версия Alice AI Search работает в Поиске с июля 2026 года. Для неё использовались реальные примеры поискового взаимодействия и пользовательские сигналы, чтобы ответы получались более краткими и удобными для чтения. По данным компании на момент публикации, быстрыми AI-ответами пользовались более 49 млн человек ежемесячно.

Есть небольшой нюанс с датами публикации. Русскоязычный пресс-релиз Яндекса датирован 11 сентября 2026 года, а англоязычная публикация компании — 14 сентября 2026 года. Описывают они один релиз Alice AI Search Pretrain.

Это важно не столько само по себе, сколько как напоминание: даже официальные публикации одной компании могут выходить в разных локализациях не одновременно.

Base model — ещё не поисковая система

Открытая модель получает текстовый контекст и генерирует ответ.

Production-поиск должен сначала этот контекст получить.

В официальной справке для вебмастеров Яндекс описывает процесс достаточно понятно. При подготовке ответа Алиса AI может уточнить исходный запрос дополнительными поисковыми запросами, обратиться с ними к Поиску, использовать результаты, а затем сформировать структурированный ответ.

В более техническом материале команды Alice AI Search схема раскрыта глубже: сначала система выполняет несколько типов поиска, затем найденные текстовые документы проходят через отдельную модель, которая оставляет релевантные для запроса фрагменты — info contexts. После этого выбранный контекст и другие материалы передаются модели, генерирующей окончательный ответ.

Упрощённо:

запрос → дополнительные поисковые запросы → поиск документов → выделение полезных фрагментов → генерация ответа → ссылки на источники

Это уже значительно больше, чем просто:

запрос → LLM → текст

Зачем здесь Encoder-Decoder

Alice AI Search Pretrain построена не как обычная decoder-only модель.

В Encoder-Decoder архитектуре одна часть модели обрабатывает входной контекст, а другая формирует выходной текст.

Для поисковой задачи логика понятна: системе приходится работать с входными фрагментами документов и на их основе выдавать более короткий ответ.

Сам Яндекс именно так объясняет выбор архитектуры: разделение обработки исходных данных и генерации помогает работать с большим информационным контекстом и формировать ёмкие ответы.

Но это характеристика модели.

Из неё нельзя получить правило:

«страницы определённой структуры лучше попадают в AI-ответ, потому что модель Encoder-Decoder».

Такого вывода опубликованные данные не подтверждают.

Что означает Mixture of Experts

Вторая важная часть архитектуры — Mixture of Experts, или MoE.

У модели около 35 млрд параметров всего, но при обработке конкретного токена используется только примерно 600 млн. То есть система не активирует всю модель для каждого фрагмента генерируемого текста.

Упрощённо это можно представить как большую команду специалистов.

У системы есть много «экспертов», но для текущей операции активируется только нужная часть.

Это позволяет иметь большую общую ёмкость модели, не оплачивая вычисление всех параметров на каждом шаге генерации.

Для владельца сайта эта архитектурная деталь интересна как объяснение того, как Яндекс смог сделать генеративный ответ достаточно быстрым для массового поискового продукта.

Но не как новый SEO-фактор.

Количество активных параметров не говорит нам, почему страница A была выбрана источником, а страница B — нет.

Что известно о выборе источников

Здесь гораздо полезнее не модельный релиз, а официальная документация Яндекс Вебмастера.

Яндекс прямо сообщает, что при формировании ответа Алиса AI обращается к Поиску и опирается на найденные материалы. В справке также указано, что в качестве источников используются страницы, которые высоко ранжируются в Поиске.

При этом ссылки внутри AI-ответа устроены не так же, как обычная выдача.

Яндекс уточняет несколько важных деталей:

• источники располагаются в соответствии со структурой и смыслом сгенерированного ответа, а не как отдельный список результатов с привычным порядком;
• ссылок может быть больше, чем результатов на стандартной странице поиска;
• в одном ответе могут использоваться разные страницы одного сайта;
• одна и та же страница может использоваться несколько раз;
• некоторые ответы вообще могут не требовать внешних источников;
• результат для одинакового запроса способен меняться со временем и зависеть в том числе от персонализации.

Это уже практический вывод для SEO.

Позицию в обычной выдаче и присутствие как источника AI-ответа нельзя считать одной и той же метрикой.

Как Яндекс описывает качество страниц для Alice AI

В документации Яндекса есть ещё более важное уточнение.

Для попадания страниц в поиск и ответы Алисы AI компания отдельно выделяет аспекты:

Экспертность, Полезность, Оригинальность, Содержательность — ЭПОС.

Но и здесь не стоит превращать официальную рекомендацию в формулу.

Яндекс не публикует условные коэффициенты:

экспертность 25% + оригинальность 30% + содержательность 20%

и не говорит, что достаточно увеличить один показатель, чтобы получить ссылку из AI-ответа.

Наоборот, официальная документация описывает пользовательскую задачу, релевантность, качество информации и ценность страницы как комплексные свойства. Яндекс отдельно пишет, что принципиально новых требований к поисковой оптимизации из-за генеративных ответов не появляется, поскольку ответы строятся с опорой на результаты Поиска.

Для Vagizov.com это хорошо сочетается с уже существующим материалом про алгоритмы Яндекса: подтверждённые принципы нужно отделять от попыток реконструировать скрытые коэффициенты по косвенным наблюдениям.

Что Alice AI Search Pretrain реально говорит SEO-специалисту

Первый вывод — AI-ответ Яндекса тесно связан с обычной поисковой инфраструктурой.

Это не отдельная модель, которая независимо от поиска бродит по всему интернету и выбирает любые страницы.

Второй — финальная генерация получает уже подготовленный информационный контекст. Следовательно, открытая модель — только одна часть pipeline.

Третий — производительность здесь действительно критична. 35 млрд общих параметров при примерно 600 млн активных на токен показывают, насколько серьёзно система оптимизирована под массовый inference.

Четвёртый — Яндекс публично связывает AI-источники с поиском и качеством страниц, но это не означает, что опубликован точный алгоритм source selection.

И пятый — измерять новую поверхность выдачи лучше непосредственно по данным поисковой системы, а не по «AI visibility score» стороннего сервиса.

В апреле 2026 года Яндекс открыл для бизнеса инструмент «Видимость сайта в Алисе AI», который позволяет оценивать участие сайта в быстрых AI-ответах и смотреть другие площадки, встречающиеся среди источников.

Это намного полезнее для практического анализа, чем попытка вывести вероятность цитирования из архитектуры нейросети.

Что нельзя заключить из открытой модели

Это самая важная граница материала.

Нельзя узнать веса факторов ранжирования.
Alice AI Search Pretrain — генеративная модель, а не опубликованная формула Яндекс Поиска.

Нельзя восстановить критерии выбора конкретного URL.
Мы знаем, что система обращается к Поиску и получает контекст из документов, но точная production-логика source selection остаётся закрытой.

Нельзя гарантировать попадание страницы в источники.
Даже высокая органическая позиция не превращается автоматически в обещание ссылки из каждого AI-ответа.

Нельзя вывести оптимальную длину статьи.
35 млрд параметров, MoE и Encoder-Decoder ничего не говорят о том, что текст должен состоять, например, из 8 000 или 15 000 знаков.

Нельзя доказать обязательность специальной AI-разметки.
Яндекс рекомендует передавать поиску структурированные данные там, где это соответствует содержанию сайта, но отдельной универсальной schema «для попадания в Алису AI» официальная документация не устанавливает.

Нельзя считать архитектуру модели новым фактором SEO.
Модель определяет, как обрабатывается контекст и генерируется ответ. SEO работает с доступностью, релевантностью, качеством и представлением страниц для поисковой системы.

Не путать Alice AI Search с ИИ-блендером

В 2026 году у Яндекс Поиска появилось сразу несколько AI-компонентов, и их легко смешать.

Например, в апреле компания сообщила об «ИИ-блендере», который выбирает оптимальную комбинацию разных блоков поисковой выдачи. По данным Яндекса, выдача может использовать более 40 типов блоков: обычные ссылки, изображения, видео, специализированные ответы и другие элементы.

Это не то же самое, что Alice AI Search Pretrain.

ИИ-блендер решает задачу компоновки поисковой выдачи.

Alice AI Search отвечает за генеративный ответ.

А традиционный Поиск обеспечивает поиск и ранжирование документов.

На практике эти системы работают в общей пользовательской среде, но называть их одной моделью технически неправильно.

Почему эта публикация всё-таки важна для SEO

Главная ценность Alice AI Search Pretrain для SEO не в появлении нового чек-листа оптимизации.

Она помогает точнее представить современную архитектуру поиска.

Раньше можно было мыслить цепочкой:

запрос → ранжирование → десять ссылок

Теперь один из сценариев выглядит значительно сложнее:

запрос → понимание задачи → поиск → выбор информации → генеративная обработка → AI-ответ + источники + другие блоки выдачи

Из этого не следует, что классическое SEO перестало работать.

Скорее наоборот: Яндекс прямо пишет, что генеративные ответы опираются на результаты Поиска и принципиально новых требований к поисковой оптимизации не возникает.

Меняется поверхность, на которой пользователь получает результат.

Страница может быть важна не только как синяя ссылка, по которой пользователь кликнул, но и как источник, на котором построена часть ответа.

Именно поэтому в услуге продвижения в нейросетях и AI-поиске корректнее работать не с обещанием «выведем в ответ Алисы», а с измеряемой видимостью, качеством страниц, технической доступностью, содержанием и цифровым следом. На Vagizov.com этот подход уже зафиксирован без гарантии конкретного упоминания в генеративной системе.

Что мы знаем на сегодня

Alice AI Search Pretrain сделала внутреннее устройство AI-поиска Яндекса прозрачнее, но лишь частично.

Мы теперь знаем архитектуру базовой модели, её масштаб и принцип sparse activation. Знаем, что production-версия дообучена для поискового сценария. Знаем, что генеративный pipeline использует обычный Поиск, выделяет релевантные фрагменты документов и формирует на их основе ответ.

Из документации для вебмастеров также известно, что качество источников связано с общими принципами Поиска и ЭПОС.

Но мы по-прежнему не знаем точные веса факторов, production-механику отбора каждой конкретной страницы и формулу, позволяющую гарантировать цитирование.

Именно на этой границе и стоит строить работу.

Открытые данные — использовать.

Наблюдения — проверять.

А архитектуру нейросети не превращать в очередную легенду о «секретном факторе Яндекса».