Bridgewater и Mira Murati обучили ИИ на закрытых данных хедж-фонда — и он превзошёл GPT

Крупнейший в мире хедж-фонд по объёму активов под управлением Bridgewater Associates совместно со стартапом Thinking Machines Lab — компанией бывшего технического директора OpenAI Миры Мурати — опубликовали исследование, которое ставит под сомнение универсальность больших языковых моделей в финансах. Их кастомная модель, обученная на внутренних размеченных данных Bridgewater, показала среднюю точность 84,7% на шести задачах инвестиционного анализа. Лучший из протестированных frontier-моделей — GPT, Claude или Gemini — остановился на 78,2%. При этом стоимость одной задачи оказалась ниже в 13,8 раза.

Важная оговорка: результаты получены самими Bridgewater и Thinking Machines Lab и не прошли независимую верификацию. Обе компании коммерчески заинтересованы в положительных итогах — на это обратило внимание издание The Decoder.

Почему GPT не справился с задачами хедж-фонда

На старте эксперимента frontier-модели с базовым промптом давали в среднем около 50% точности на задачах Bridgewater. Речь шла о вполне конкретной рутинной работе аналитика: определить, релевантна ли финансовая статья для макроинвестора, сигнализирует ли документ центробанка об изменении ставки, где в длинном регуляторном файле заканчивается шаблонный текст и отвечает ли аналитическая записка на конкретный вопрос инвестора.

Проблема не в том, что модели не знают финансов. Правильные ответы зависели от внутренних рабочих процессов Bridgewater — логики фильтрации информации, которую фонд выстраивал годами и которая никогда не была публично доступна. Frontier-модели просто не имели возможности этому научиться.

Команда попробовала стандартный обходной путь: эксперты-инвесторы написали детальные инструкции в промптах и переформулировали задачи в терминах инвестиционного мышления. Например, для классификации статей бинарную метку заменили на три категории: «релевантно и интересно», «релевантно, но неинтересно» и «нерелевантно». Это различие принципиально: небольшое IPO и объявление о тарифах на китайские товары несут совершенно разный вес для макроинвестора. Точность frontier-моделей выросла до 78,2% — но так и не преодолела порог 80%, который Bridgewater установил как минимально приемлемый для использования системы в ежедневной работе.

Вывод исследователей: промпт передаёт лишь то, что эксперт способен сформулировать словами. Файн-тюнинг — дообучение модели на размеченных примерах — переносит суждения, которые не поддаются вербальному описанию.

Как строилась кастомная модель и кто ещё идёт этим путём

Основа кастомной модели — Qwen3-235B, открытая модель от Alibaba. Дообучение проводилось через платформу Tinker от Thinking Machines Lab, которая берёт на себя инфраструктуру адаптации базовой модели под конкретную задачу. Мира Мурати покинула OpenAI в сентябре 2024 года и запустила Thinking Machines Lab в феврале 2025-го. Tinker — её коммерческий продукт, а коллаборация с Bridgewater стала наиболее громким доказательством его работоспособности.

Процесс разметки данных оказался нетривиальным. Первичную разметку документов выполняли внешние подрядчики — и значительная часть меток оказалась ошибочной. Спорные случаи передавались инвестиционным профессионалам Bridgewater для исправления. Итоговый датасет кодировал логику фильтрации информации именно так, как это делают аналитики фонда, а не так, как о финансах пишет публичный интернет.

Bridgewater — не единственная финансовая компания, которая строит доменные модели на собственных данных. Mastercard разработал специализированную модель на транзакционных данных, которая превзошла стандартные отраслевые методы в выявлении редких, но легитимных транзакций, которые обычные системы ошибочно блокируют. По данным исследования Nvidia «State of AI in Financial Services 2026», 65% финансовых институтов уже используют ИИ, а почти 90% либо внедряют его, либо оценивают такую возможность. Главным препятствием в обоих случаях называется не качество моделей, а интеграция данных.

Для белорусского финтех-сектора и IT-компаний, работающих с финансовыми клиентами, этот кейс показателен: конкурентное преимущество смещается от доступа к лучшей модели к качеству и уникальности собственных данных. Резиденты ПВТ, разрабатывающие решения для банков или инвестиционных платформ, потенциально располагают именно тем активом, который определяет разрыв в точности — закрытыми доменными данными с экспертной разметкой.

Открытые вопросы и масштаб амбиций

Исследование, опубликованное 30 июня, охватывает шесть задач и является первым публичным описанием того, как Bridgewater реализует более широкую программу. Сам фонд характеризует её как создание «полноценного ИИ-инвестора». Насколько преимущество в точности сохранится по мере того, как меняются регуляторные документы, язык центробанков и структура финансовых рынков — вопрос, который команда исследователей признаёт открытым, но не отвечает на него.

Архитектурный выбор в пользу открытой модели Qwen3 вместо проприетарных API также заслуживает внимания. Он даёт финансовым компаниям контроль над данными и инфраструктурой, снижает зависимость от внешних провайдеров и — как показывает кейс Bridgewater — позволяет существенно сократить операционные расходы при более высоком качестве результата.