技术发布2026年11月21日Редакция 105.kz
Itô Labs 从零训练 Theia 模型:对企业内网 LLM 意味着什么
Itô Labs 宣布从零训练语言模型 Theia:12.2 亿参数、面向哈萨克语的自有分词器,以及带角色权限的防护层。我们分析其中哪些可用于工业企业,哪些目前仍是假设。
要点。 Itô Labs 从零训练了 12.2 亿参数的紧凑型模型 Theia Eos,并配备自有分词器:哈萨克语单词占 1.6 个 token,海外模型为 3.4–4.9 个。对哈萨克斯坦企业而言,这是支持本地语言模型的论据;但来源中没有工业场景案例,也没有 on-premise 交付的信息——起步应从文档试点和核实部署方式开始。
发生了什么
哈萨克斯坦的 Itô Labs 宣布,其从零训练了语言模型 Theia,没有对现成海外模型做微调。据公司介绍,架构、词典和训练均由团队自行完成;技术细节发表在单独的文章中,并向 Digital Business KZ 编辑部提交了《Theia Eos 1.0 模型护照》(Паспорт модели Theia Eos 1.0),其中说明了架构、词典、训练阶段与许可证。该系列的第一个模型是 Theia Eos:12.2 亿参数,在 700 亿 token 的清洗数据上训练,涵盖哈萨克语、俄语和英语,还包括代码与数学。模型已集成到 Opkit 平台并回答用户请求:创建任务、生成报告和商业提案草稿。
开发者用三点解释选择从零训练:法律独立性(权重 100% 归 Itô Labs 所有——公司声明)、自有分词器,以及 Clocked HRM 混合架构——其中快速部分执行任务,独立的记忆模块保存长期上下文。据 Itô Labs 数据,Theia Eos 中一个哈萨克语单词占 1.6 个 token,俄语单词占 1.59 个,海外模型为 3.4 至 4.9 个。上线前模型在 48 000 个工作场景上做了测试:91–95% 的情况下选择了正确动作,其余情况模型提出澄清问题。人与模型之间设有防护层:按角色校验权限、修改数据前强制确认、日志中个人数据脱敏、拒绝执行隐藏在文档中的指令。Opkit 封闭测试报名于 11 月 20 日至 27 日开放,测试期为 11 月 28 日至 12 月 28 日,正式发布计划于 2027 年 1 月 8 日。2027 年计划推出更重的模型 Theia Selene 和 Theia Helio,可处理图表、图纸和照片。
对哈萨克斯坦企业意味着什么
重要说明:来源中没有任何一个生产场景案例。所述场景都是办公类:任务、报告、合同、人事文件、导出数据。对工业企业而言,这是一条关于技术类别的消息(带本地语言和权限划分的紧凑型语言模型),而不是车间可用的现成工具。其对生产文档的适用性目前是假设(评估)。
不过,这里解决的这类任务在企业中确实存在并且有成本——这是文本类工作,而不是工艺过程。
| 行业 | 语言模型可承担的任务类别 | 需要哪些数据 | 试点中要检验什么 |
|---|---|---|---|
| 石油天然气 | 检索规程与设备护照、巡检报告草稿、缺陷清单解析 | 规程文本、记录、作业许可、ПСВ 报告、ТОиР 历史 | 回答是否引用文档条款;是否会替代工程师判断 |
| 电力 | 处理调度日志、操作票、检修申请 | 日志、典型表单、申请单、图纸(文本形式) | 在遗留表单与缩写上的正确性 |
| 铀与采矿冶金 | 劳动安全指令、ППР、作业许可、HSE 报告 | 指令文本、检查记录、整改通知 | 同一文档中哈萨克语与俄语的质量 |
| 工厂 | 规格书、文本部分的 КТГ 与 МРП、ТОиР 往来函件 | 物料清单、护照、申请单、往来函件 | 处理表格与长清单的能力 |
语言方面单独说:同一份作业许可或指令中同时出现哈萨克语和俄语是常见做法,分词器的论据正是在这里不再是营销话术。但所宣称的每词 1.6 个 token 衡量的是处理速度与成本,而不是对规程问题的回答质量。
监管背景:对国家公司和地下资源使用者来说,关键问题是个人数据本地化、信息安全要求以及模型部署在企业边界内。来源描述了带防护层和数据脱敏的平台,但没有说明模型向企业交付的方式(on-premise、私有云、外部 API)。缺少这一答案,关于实施的讨论仍停留在理论层面。
如何落地:8–12 周试点
- 数据与边界审计。 汇总文本语料清单(规程、护照、记录、日志),确定哪些内容不得离开企业边界,并列出具有不同访问权限的角色清单。缺少这一步,试点只是演示,而不是验收。
- 一个输出可测的任务类别。 不是“部署 AI”,而是例如缩短查找现行规程条款或编制标准报告的时间。开始前先手工测量基线时间。
- 核验部署要求。 交付方式、权重许可、请求日志、权限划分、任何数据修改前的人为强制确认。此类系统的通用做法见 企业级 LLM。
- 限定人员范围与人工强制复核。 10–30 名工程师,每个回答仅作为草稿使用;记录带正确文档引用的回答占比与追问占比。
- 按事先约定的指标验收。 文档准备时间、错误占比、越权输出占比、单次请求处理成本。ТОиР 与调度业务的行业特点见 工业企业。经济效果不预先承诺:它是被测量出来的,而不是被假设的。
限制与风险
- 模型规模。 12.2 亿参数属于紧凑型。来源中没有针对长篇俄语、哈萨克语规程、表格与图纸的公开测评(评估)。
- 91–95% 这一指标的性质。 这是平台 48 000 个内部场景(创建任务、人事调动、导出报告)中选择正确动作的比例,而非对规范性文件问题的回答准确率,也不是独立评测。
- 交付与信息安全。 部署方式、权重许可、基础设施要求,以及是否符合国家公司的信息安全要求,来源均未披露。对企业来说,这是向供应商提出的第一个问题,而不是细节。
- 是声明,而非实测。 防护层(角色权限、确认、数据脱敏)由公司描述;未提供独立审计。
- 计划而非事实。 Selene 和 Helio 处理图表与图纸是 2027 年的计划;不能作为项目方案的依据。
- 适用边界。 语言模型不是工艺过程控制手段,也不替代 АСУ ТП;决策责任仍在人。振动、SCADA 趋势与 RUL 属于另一类任务,使用不同数据。
- 关于总拥有成本以及模型在行业专有术语上表现如何,事实较少(评估)。
来源
- Digital Business KZ: Независимая отечественная ИИ-модель — разработчики рассказали, как обучили Theia с нуля · 2026-11-20T15:30:45.000Z
Мы выбрали обучение с нуля по трем причинам. Во-первых, это юридическая независимость: модель и ее веса на 100% принадлежат Itô Labs, а для B2B и госсектора это критично.
- Фото: Diliff — US Capitol dome Jan 2006.jpg (CC BY 2.5, Wikimedia Commons)
本文借助人工智能根据上方所列来源撰写。如发现不准确之处,请发送邮件至 info@105.kz。