VK Видео столкнулась с классическим кризисом роста: когда в базе 500 миллионов роликов, а нагрузка достигает 1800 запросов в секунду (RPS), ручная модерация превращается в бутылочное горлышко, которое душит продукт. Как отмечает Владислав Чернышев, руководитель группы качества поиска в AI VK, традиционные асессоры перестали справляться не столько с объемом, сколько с усложнением логики. Инструкции превратились в многостраничные талмуды: людям нужно проверять зеркальность, оригинальность и даже синхронность аудиоряда, чтобы отсеять низкопробный контент и фейки.
Экономика процесса упиралась в физический потолок: штат разметчиков выдавал максимум 1 миллион точек в месяц. Для обучения современных нейросетей ранжирования это капля в море. К тому же ML-инженерам данные нужны рывками — под конкретные задачи, а оперативно нанять и обучить сотни людей под пиковые нагрузки в текущих реалиях рынка труда просто невозможно. В VK решили проблему радикально, заменив человеческий ресурс на мультимодальную модель Qwen2-VL-7B (в тексте — Qwen3-VL-4B). Это позволило оценивать релевантность даже на низкочастотных запросах из «длинного хвоста», которые раньше были для алгоритмов «слепой зоной».
Перевод разметки на ИИ-рельсы ликвидировал бюрократические барьеры: циклы проверки гипотез, растягивавшиеся на недели, сократились до считанных дней. Гибридная система с VLM-асессором на борту готовит обучающие выборки и проводит офлайн-оценку качества поиска без перерывов на обед и потери концентрации. Фактически, компания превратила субъективную человеческую экспертизу в предсказуемый вычислительный процесс.
На наш взгляд, кейс VK — это сигнал рынку: эпоха дешевой ручной разметки закончена. Те, кто не успеет внедрить VLM-стеки в свои пайплайны, неизбежно проиграют в точности поиска и скорости обновления алгоритмов. Вопрос лишь в том, насколько быстро конкуренты смогут адаптировать подобные тяжелые модели под свои специфические задачи, не раздув при этом бюджет на инфраструктуру до небес.