The object of research, development or design (in Russian) : - Современная большая языковая модель (LLM) для казахского языка и сопутствующая экосистема; - Масштабные языковые корпусы; - Инструменты мета- и лингворазметки, морфо-синтаксические анализаторы; - Производственная платформа для хранения и обработки данных; - Вычислительная инфраструктура с размещением на GPU-кластере.

The object of research, development or design (in Kazakh) : - Қазақ тілі үшін заманауи үлкен тілдік модель (LLM) және оған ілеспе экожүйе; - Кең ауқымды тілдік корпустар; - Мета және лингвобелгілеу құралдары, морфо-синтаксистік талдағыштар; - Деректерді сақтау мен өңдеудің өндірістік платформасы; - GPU-кластерде орналастырылатын есептік инфрақұрылым.

Aim of work (in Russian) : - Создание современной большой языковой модели (LLM), способствующей поддержке казахского языка, как государственного и языка межкультурного общения в РК, развитию технологий, обеспечению безопасности данных, развитию образования и совершенствованию научных исследований.

Aim of work (in Kazakh) : - Қазақстан Республикасында қазақ тілін мемлекеттік тіл және мәдениетаралық қарым-қатынас тілі ретінде қолдауға, технологияны дамытуға, деректердің қауіпсіздігін қамтамасыз етуге ықпал ететін заманауи үлкен тілдік модельді (LLM) құру. білім беруді дамыту және ғылыми зерттеулерді жетілдіру.

Методы исследования (на русском) : -Формирование и предобработка языковых корпусов (нормализация, очистка, лемматизация, орфографическая коррекция). - CSE-сегментация, адаптированная к агглютинативной морфологии. - Полу-автоматическая лингворазметка (NER на основе KazBERT/KazNERD). - Адаптация архитектуры трансформера и предобучение/дообучение, настройка по предпочтениям (DPO, Pseudo-DPO). - Интеграция с компонентами RAG. - Квантование большой языковой модели (PTQ/QAT). - Метрики оценки производительности. - Развертывание модели на GPU-кластере.

Методы исследования (на казахском) : - Тілдік корпустарды құрастыру және алдын ала өңдеу (нормализация, тазартау, лемматизация, орфосақтау); - Агглютинативті морфологияға бейімделген CSE-сегментация; - Жартылай автоматты лингвобелгілеу (KazBERT/KazNERD негізіндегі NER); - Трансформер архитектурасын бейімдеу және алдын ала үйрету/қосымша үйрету, таңдауларға негізделген баптау (DPO, Pseudo-DPO); - RAG-құраушыларымен интеграция; - Үлкен тілдік модельді кванттау (PTQ/QAT) - Өнімділікті бағалау метрикалары; - GPU-кластерде модельді орналастыру.

Obtained results and novelty (in Russian) : - Сформирован базовый корпус около 100 млн слов и создано множество тематических/жанровых подкорпусов. - Морфологически ориентированная CSE-сегментация снизила долю редких токенов и повысила устойчивость к новым словоформам. - Полуавтоматическая NER-разметка достигла высокого качества, F1 составляет 0,9726. - Донастройка на QA-корпусе и применение DPO существенно улучшили точность, связность и работу с контекстом. - Квантование обеспечило экономию памяти 45–70 % и ускорение инференса в 1,5–2,2 раза. - Производственная платформа достигла метрик латентности менее 200 мс, загрузки до 1200 документов в минуту и генерации около 550 векторов в секунду. Новизна состоит в том, что впервые создана завершённая экосистема казахскоязычной LLM, объединяющая морфологически осознанную токенизацию, настройку по предпочтениям DPO, квантованное развертывание и промышленную платформу данных, включая лёгкую SLM-конфигурацию для периферийных устройств.

Obtained results and novelty (in Kazakh) : - Шамамен 100 млн сөзден тұратын базалық корпус және көп доменді тақырыптық/жанрлық ішкікорпустар қалыптастырылды. - Агглютинативті морфологияға бейімделген CSE-сегментация сирек токендерді азайтып, жаңа сөзтүрленімдерге төзімділікті арттырды. - Жартылай автоматты NER-белгілеу жоғары сапаға қол жеткізді, F1 көрсеткіші 0,9726. - QA-корпус негізінде монотілдік қосымша үйрету және DPO қолдану дәлдік, байланыстылық және контекстпен жұмыс сапасын едәуір жақсартты. - Кванттау жадты 45–70 % үнемдеді және инференсті 1,5–2,2 есе жеделдетті. - Өндірістік платформада кідіріс екі жүз миллисекундтан кем, жүктеу жылдамдығы минутына 1200 құжат және секундына шамамен 550 вектор көрсеткіштері қамтамасыз етілді. Жаңашылдығы заманауи қазақтілді LLM-экожүйесінің толық циклі алғаш рет іске қосылып, морфологияға сезімтал токенизация, DPO-негізді баптау, квантталған енгізу және өндірістік деректер платформасы біртұтас шеңберде біріктірілді, соның ішінде шеткі құрылғыларға арналған жеңіл SLM-конфигурациясы мүмкін болды.

The main constructive and technical economic indicators (in Russian) : - Объём корпуса около 100 млн слов; тематический корпус 62 000 примеров; - корпус официальных документов 11 000 текстов; - NER F1 составляет 0,9726; - ёмкость платформы более пяти терабайт и 3,3 миллиарда векторов; - латентность менее двухсот миллисекунд; - загрузка до 1200 документов в минуту; - генерация около 550 векторов в секунду; - квантование обеспечивает 45–70 процентов экономии памяти и ускорение инференса в 1,5–2,2 раза; - прирост качества в режиме Think до 13,91 процентного пункта.

The main constructive and technical economic indicators (in Kazakh) : - Корпус көлемі шамамен 100 млн сөз; - тақырыптық корпус 62 000 мысал, ресми құжаттар 11 000 мәтін; - NER F1 көрсеткіші 0,9726; - платформа сыйымдылығы бес терабайттан астам және 3,3 миллиард вектор; - кідіріс екі жүз миллисекундтан кем; - жүктеу жылдамдығы минутына 1200 құжат; - эмбеддинг генерациясы секундына шамамен 550 вектор; - кванттау жадты 45–70 пайыз үнемдеп, инференсті 1,5–2,2 есеге жеделдетеді; - Think режимінде сапа 13,91 пайыздық пунктке артады.

Level of implementation (in Russian) : Система доведена до опытно-промышленной эксплуатации: автономная платформа данных введена в работу, проведены пилотные развёртывания на GPU-кластере, подготовлена API-интеграция, начата апробация в образовательных и исследовательских сценариях.

Level of implementation (in Kazakh) : Платформа тәжірибелік-өндірістік режимде пайдалануға дайын күйге жеткізілді, деректер инфрақұрылымы автономды жұмыс істейді, GPU-кластерде пилоттық іске қосулар орындалды, API интеграциясына дайындық жүргізілді және білім беру/зерттеу сценарийлерінде апробация басталды.

Efficiency (in Russian) : Моноязычное дообучение повышает качество при умеренных ресурсах; квантование сокращает стоимость инференса и ускоряет вывод; локальная обработка усиливает приватность; производственные метрики подтверждают высокую пропускную способность и масштабируемость для прикладного использования.

Efficiency (in Kazakh) : Монотілдік баптау сапаны арттырып, ресурстық талаптарды азайтты; кванттау есептеу шығындарын қысқартып, өнімділікті жақсартты; деректердің жергілікті өңделуі құпиялылықты күшейтеді; инфрақұрылымдық метрикалар жоғары өткізу қабілетін қамтамасыз етеді және кеңейтілімділікті қолдайды.

Field of application (in Russian) : -Использование больших языковых моделей в образовательных и исследовательских целях пользователями интернет-сетей Казахстана, исследователями различных областей наук, работниками правительственных и неправительственных организаций

Field of application (in Kazakh) : -Қазақстандағы интернет желілерін пайдаланушылар, ғылымның әртүрлі салаларындағы зерттеушілер, мемлекеттік және үкіметтік емес ұйымдар қызметкерлерінің білім беру және зерттеу мақсатында үлкен тілдік модельдерді пайдалануы