Версия Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Борис Пауэр считает, что основная часть исследований OpenAI направлена на будущие поколения GPT

> На форуме Fellows Forum Борис Пауэр оценил, что 80–90% исследований OpenAI нацелены на будущие поколения GPT. Это его мнение; опубликованной разбивки ресурсов или плана выпуска GPT-7/8 нет.

By BIG CHANGE Editorial

Published: 2026-09-27T16:28:31.971Z
Updated: 2026-09-27T16:28:31.971Z
Canonical: https://bigchange.ai/blog/boris-power-openai-research-later-gpt-generations

![Conceptual charcoal illustration of an empty chair and a floor microphone on an unbranded stage before rows of seats.](https://bigchange.ai/api/media/file/openai-forum-remarks-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE.

На [форуме Fellows Forum 23 сентября](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5568s) Борис Пауэр, руководитель прикладных исследований OpenAI, оценил, что 80–90% исследований компании посвящены «GPT-7, GPT-8 и следующим поколениям». Он назвал эту цифру, объясняя, как OpenAI совмещает работу над текущими продуктами с исследованиями более способных моделей. Это его оценка, высказанная в публичной беседе; OpenAI не публиковала разбивку исследовательских ресурсов, с которой ее можно было бы сопоставить.

## Главное изменение

- **Что изменилось:** Пауэр описал два взаимосвязанных направления: улучшение моделей, которыми люди пользуются сейчас, и исследования для следующих поколений. По его оценке, на будущее поколение приходится основная часть исследований OpenAI.
- **Почему это важно:** Более мощная крупная модель может создавать обучающие примеры для меньшей и более дешевой модели, предназначенной для конкретной задачи. Поэтому разработчикам важно следить за исследованиями передовых моделей, даже если в своих продуктах они используют более компактные системы.
- **На что обратить внимание:** Будущие выпуски моделей и технические публикации могут показать, переходят ли достижения крупных моделей в меньшие системы. В интервью не назывались даты выхода GPT-7 или GPT-8, их характеристики или результаты.

## Контекст оценки

Пауэр отвечал на вопрос Захари Липтона о том, как запросы клиентов влияют на исследования. Он сказал, что OpenAI может улучшить конкретное поведение, например использование инструментов, с помощью специализированных данных и прикладных исследований. По его словам, постепенные обновления внутри одного поколения моделей часто решают такие задачи. Новое поколение более крупных моделей, как он утверждал, может изменить потребность в отдельных специализированных доработках. Некоторые текущие инвестиции он описал как способ учиться и быстрее улучшать продукты уже сейчас, даже если это не долгосрочная стратегия.

Именно в этом контексте прозвучала оценка в 80–90%: на отметке [1:32:52 в записи форума Fellows Forum](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5572s). Пауэр говорил об исследованиях **в OpenAI**, а не только о работе собственной команды. Ни запись, ни опубликованные материалы OpenAI не определяют, какие исследования учитывались, за какой период, какой бюджет или число сотрудников имеется в виду и как была рассчитана оценка. Поэтому эту цифру следует понимать как описание приоритетов со слов Пауэра, а не как проверенный показатель расходов или численности персонала.

Пауэр назвал GPT-7 и GPT-8 примерами будущих поколений. Он не объявлял эти модели, не сообщал о стадии их разработки и не называл график выпуска. [В актуальном каталоге моделей OpenAI](https://developers.openai.com/api/docs/models) перечислены GPT-6 Astra, Sol и Luna. Это публичный контекст для названий, использованных Пауэром, но не свидетельство о состоянии следующих поколений.

## Зачем он упомянул дистилляцию

Сразу после оценки Пауэр описал, как крупная модель GPT-6 Astra обучает меньшую GPT Luna. Он имел в виду, что сильная модель может создавать примеры для обучения компактной. Это описание исследовательского подхода, а не свидетельство, что конкретную выпущенную модель Luna обучали на Astra.

[руководстве OpenAI по дообучению с учителем](https://developers.openai.com/api/docs/guides/supervised-fine-tuning#distilling-from-a-larger-model) описан этот механизм. Разработчик сначала проверяет, хорошо ли крупная модель справляется с конкретной задачей, сохраняет подходящие ответы, использует их как обучающие примеры для меньшей модели и проверяет ее на той же задаче. По словам OpenAI, так можно приблизить качество меньшей модели к результатам более крупной **на конкретной задаче**. Это не означает, что меньшая модель наследует все способности модели-учителя. В [анонсе OpenAI о дистилляции моделей](https://openai.com/index/api-model-distillation/) также описан итеративный процесс оценки, сохранения ответов и дообучения.

У этой идеи более долгая история. В [исследовательской статье 2015 года](https://arxiv.org/abs/1503.02531) Джеффри Хинтон, Ориол Виньялс и Джефф Дин изучали перенос знаний из более крупных систем в модель, которую проще развертывать. Работа объясняет принцип «учитель — ученик», но ничего не говорит о нынешнем распределении исследовательских ресурсов OpenAI.

Так становится понятна связь, которую проводил Пауэр, между исследованиями передовых моделей и практическими системами. Более мощная модель-учитель может создавать полезные обучающие материалы для специализированных и более дешевых моделей. Результат зависит от задачи, выбранных примеров и оценки качества. Пауэр не приводил результаты дистилляции или сравнительные измерения для примера Astra–Luna.

Оценка Пауэра примечательна тем, что показывает его мнение о том, где OpenAI ожидает наибольшую исследовательскую отдачу. Публичные данные подтверждают саму реплику и общий метод, о котором он говорил. Они не раскрывают фактическое распределение ресурсов OpenAI и не позволяют судить о том, что дадут будущие поколения GPT.

## Sources

- [Fellows Forum 2026, день 1: «Где встречаются модели и реальность»](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5572s) — Полная запись организатора показывает, что Пауэр оценил долю исследований в 80–90% на отметке 1:32:52, а сразу после этого объяснил идею крупной модели-учителя и меньшей модели-ученика. Вопрос Липтона и обсуждение постепенной работы в сравнении с переходом между поколениями дают контекст. Запись подтверждает сказанное, но не является проверенной разбивкой ресурсов или планом продуктов.
- [Fellows Forum 2026: мероприятие и программа](https://www.fellowsforum.com/) — Организатор датирует первый день 23 сентября и указывает, что в сессии «Где встречаются модели и реальность» участвовали Борис Пауэр, руководитель прикладных исследований OpenAI, и Захари Липтон. Это подтверждает контекст форума и состав участников, но не проверяет численную оценку Пауэра.
- [OpenAI API: дообучение с учителем, дистилляция из более крупной модели](https://developers.openai.com/api/docs/guides/supervised-fine-tuning#distilling-from-a-larger-model) — OpenAI описывает сохранение удачных ответов более крупной модели, использование их для дообучения компактной и проверку ее результатов на конкретной задаче. Это описание метода, а не внутренней линии обучения моделей GPT-6 и не гарантия переноса общих способностей.
- [OpenAI: дистилляция моделей в API](https://openai.com/index/api-model-distillation/) — Анонс для разработчиков OpenAI описывает сохраненные результаты моделей, оценку задач и дообучение как итеративный процесс дистилляции. Это общедоступное предложение для разработчиков, а не сведения о распределении внутренних исследований OpenAI.
- [OpenAI API: модели](https://developers.openai.com/api/docs/models) — В актуальном каталоге перечислены GPT-6 Astra, Sol и Luna. Он подтверждает контекст названий общедоступных моделей, но не наличие GPT-7 или GPT-8, даты выпуска или характеристики этих моделей.
- [Хинтон, Виньялс и Дин: «Дистилляция знаний в нейронной сети»](https://arxiv.org/abs/1503.02531) — Оригинальная научная статья дает исторический контекст переноса знаний в более компактную модель для развертывания. Она не проверяет заявление Пауэра о нынешнем распределении исследовательских ресурсов OpenAI или историю обучения моделей GPT-6.