Argus и Gorgona — разные ML-технологии, связанные с автоматизацией рекламного прогнозирования в Яндекс Директе. Argus работает с последовательностями обезличенных действий и контекстом поведения, а Gorgona оценивает вероятность конкретного целевого действия — например, заявки, покупки, звонка или установки. Для рекламодателя это означает, что качество целей, аналитики и данных становится не менее важным, чем сами настройки ставок.
Публичные материалы не раскрывают все детали архитектуры и взаимодействия моделей, поэтому технические выводы необходимо отделять от официально подтвержденных фактов.
Что такое Argus в Яндекс Директе и какие задачи решает модель
Прежде чем переходить к деталям, зафиксируем базовые понятия, которые пригодятся на протяжении всей статьи.
ML-модель — это алгоритм, который обучается на данных и выявляет закономерности, чтобы делать прогнозы без явного программирования каждого правила.
Argus, или ARGUS — по публичным описаниям, рекомендательная технология Яндекса, которая анализирует обезличенные последовательности пользовательских действий и контекст взаимодействия с рекламой для более долгосрочного прогноза интереса и вероятного поведения.
Gorgona — модель глубокого обучения, которая оценивает вероятность конкретного целевого действия пользователя и может использовать этот прогноз при выборе рекламной ставки.
Конверсия — заранее определенное целевое действие пользователя, которое рекламодатель считает результатом взаимодействия с рекламой.
Целевое действие — конкретное событие (заявка, покупка, звонок, регистрация), которое бизнес фиксирует как признак заинтересованности или сделки.
Автоматическая стратегия — режим управления рекламной кампанией, при котором система сама подбирает ставки и распределение показов на основе заданных целей и ограничений.
Рекламный сигнал — наблюдаемое событие или характеристика взаимодействия пользователя с рекламой или сайтом, которое система может учитывать при прогнозировании.
Обучающая выборка — накопленные данные, на которых модель выявляет закономерности и строит прогноз.
Дополнительно стоит понимать: прогноз вероятности — числовая оценка того, насколько вероятно наступление события при заданных условиях; аукцион — механизм, определяющий, чьё объявление и по какой цене будет показано в конкретный момент; Яндекс Директ — рекламная платформа Яндекса для размещения объявлений в поиске и рекламной сети.
С учётом этих определений разберём, чем именно является Argus.
Argus — не тариф и не кнопка в интерфейсе
Argus — это не отдельный тариф, не тип рекламной кампании и не настройка, которую рекламодатель включает одним переключателем. Это часть рекомендательной инфраструктуры платформы. По данным публикации на Habr, Яндекс Реклама провела крупнейшее обновление своей рекомендательной инфраструктуры, внедрив технологию ARGUS (AutoRegressive Generative User Sequential modeling), построенную на генеративных моделях. Согласно этому же источнику, ARGUS объединяет десятки специализированных нейросетей, работающих в единой архитектуре, каждая из которых отвечает за свою задачу: прогнозирование вероятности клика, оценка вероятности конверсии, учет контекста.
По данным издания Sostav, ARGUS построен на архитектуре, объединяющей десятки нейросетей, каждая из которых отвечает за отдельные задачи — от прогнозирования клика до оценки вероятности конверсии и учета контекста взаимодействия пользователя с рекламой. Ключевое изменение касается объёма анализируемой истории: согласно публикации на seonews.ru, «глубина памяти» нейросетей выросла с десятков дней до целого года, если ранее алгоритмы анализировали до 256 действий пользователя, то теперь – до 8000 событий.
Почему это важно
Более широкий временной контекст потенциально помогает системе находить закономерности, которые не видны при анализе только последних взаимодействий пользователя. Однако это не гарантия точного результата для каждого конкретного бизнеса:
- длинная история поведения не гарантирует правильный прогноз именно для вашей ниши
- обезличенные сигналы платформы не заменяют бизнес-аналитику компании
- рекламодатель не может напрямую настроить внутреннюю модель через интерфейс
итоговое качество результата всё равно зависит от входных данных и корректности заданных целей кампании.
Практический сценарий
Логику работы можно представить упрощённо, без претензии на точное описание внутренних вычислений:
Пользователь ранее изучал товары или услуги в интернете.
Система получает обезличенные сигналы поведения и текущий контекст показа.
Рекламная система формирует прогноз вероятности взаимодействия.
Прогноз может использоваться при выборе показа или корректировке ставки.
Рекламодатель оценивает результат не только по кликам, но и по реальным конверсиям.
Рекламодатель управляет прежде всего входными условиями: качеством объявлений, структурой кампаний, целями, корректностью настройки Яндекс Метрики, ассортиментом, посадочной страницей, бюджетом, выбранной стратегией и полнотой передачи данных о конверсиях.
Argus — это не самостоятельный рекламный формат, а ML-технология, которая помогает системе учитывать последовательность действий и контекст пользователя. Для рекламодателя это означает необходимость работать с качественными целями и данными, а не пытаться «настроить» саму модель вручную.
Экспертный комментарий Максима Егорова (требует согласования): «Важнее не сам факт использования ИИ, а качество сигналов, которые получает алгоритм. Если рекламодатель передаёт в систему мусорные или неполные данные о конверсиях, даже самая продвинутая модель будет обучаться не на тех примерах».
Что такое модель Gorgona в Яндекс Директе
Если Argus связан с более широким контекстом поведения, то модель Gorgona решает другую задачу — оценку вероятности конкретного результата.
По описанию издания seonews.ru, Gorgona — собственная нейросетевая многоголовая модель Яндекс Рекламы, построенная на дискриминативных моделях глубокого обучения, служит основой прогнозатора конверсий; в отличие от генеративных моделей, таких как Argus, дискриминативные модели принимают решения на основе вероятностей конкретных событий при известных входных данных. Там же уточняется, что разработана в 2025 году.
Примеры целевых действий, вероятность которых может оценивать подобная модель:
- заявка на сайте
- покупка в интернет-магазине
- звонок
- установка приложения
- отправка формы
- подписка (актуально для SaaS-сервисов или медиапроектов)
иное событие, заданное рекламодателем в настройках платформы.
Конкретный набор доступных сценариев зависит от интерфейса, типа кампании, выбранной стратегии, настроенных целей и действующих правил платформы — не все возможности одинаково доступны каждому рекламодателю.
Связь с автоматическими ставками
По данным блога click.ru, система оценивает не отдельные действия пользователя, а весь путь на сайте, при этом в расчёт попадают более 25 сигналов — в 3 раза больше, чем раньше, включая глубину просмотра, время визита, добавление товара в корзину и другие промежуточные действия. По данным той же публикации, основанной на тестах компании, Gorgona может приносить рекламодателям в среднем на 10% больше конверсий при сопоставимом бюджете — эта цифра приводится по заявлению компании и не является гарантией результата для конкретного проекта.
Важно понимать логику связки, не приписывая модели единоличного принятия решений: система оценивает вероятность результата, прогноз может участвовать в выборе приоритета показа, а ставка может корректироваться с учётом ожидаемой ценности действия. Качество прогноза при этом напрямую зависит от объёма и корректности накопленных данных.
Практический пример для интернет-магазина
Представим интернет-магазин, который переходит на автоматическую стратегию с оптимизацией по конверсиям. Здесь важны несколько условий:
- цель «покупка» должна передаваться в аналитику корректно, без потерь и задвоений
- заявки и микроконверсии (например, добавление в корзину) нельзя бездумно смешивать с фактическими покупками при настройке основной цели
- период обучения модели следует оценивать по накоплению достаточного числа реальных событий, а не по количеству дней
итоговый результат нужно сравнивать с маржинальностью, показателем CPA (стоимость привлечения одного целевого действия) или ДРР (доля рекламных расходов — отношение затрат на рекламу к выручке), а не только с показателем CTR.
Gorgona отвечает за прогноз вероятности целевого действия и может использоваться в механизмах автоматического управления рекламой. Модель не определяет бизнес-цель самостоятельно: рекламодатель должен корректно задать цели и обеспечить качественную передачу данных.
Экспертный комментарий (требует согласования): «Если система получает сигнал "клик" вместо сигнала "оплаченный заказ", она может хорошо оптимизировать кликабельность, но не обязательно будет приводить прибыльных клиентов».
Argus и Gorgona: различия и совместная работа
Несмотря на то что обе технологии относятся к ML-инфраструктуре Яндекс Директа, они решают разные задачи и работают на разных уровнях прогнозирования.
| Критерий | Argus | Gorgona |
|---|---|---|
| Основная роль | Работа с последовательностями поведения и рекомендациями | Прогноз вероятности целевого события |
| Тип задачи | Более долгосрочное моделирование контекста | Оценка вероятности конкретного действия |
| Пример сигнала | История обезличенных взаимодействий | Цель, событие, контекст показа |
| Практический результат | Помощь в понимании интереса и вероятного поведения | Участие в оценке ценности показа и ставки |
Что контролирует рекламодатель
Качество кампании и входных данных
Цели, события, стратегия и ограничения
Главный риск
Переоценка значения исторических сигналов
Оптимизация по некорректной или слишком слабой цели
Что объяснить после таблицы
Argus и Gorgona не обязательно являются конкурирующими технологиями. По данным публикации Sostav, такие системы, как GEM от Meta, Argus и Gorgona от «Яндекса», значительно увеличивают вычислительные ресурсы и «память» для обработки расширенных данных о поведении пользователей, переходя от ручного отбора сигналов к самообучающейся агрегации. Там же отмечается, что модель Gorgona использует более широкий спектр сигналов конверсии для лучшего прогнозирования результатов и управления ставками, а по некоторым описаниям в этой же публикации упоминается дополнительная модель, объединяющая потоки сигналов — однако точная схема взаимодействия компонентов публично не раскрыта в деталях, поэтому такие описания стоит воспринимать как экспертную интерпретацию, а не техническую документацию.
Осторожно можно сформулировать так: одна модель может работать с последовательностью поведения пользователя, другая — оценивать вероятность конверсии, а дополнительные модели могут учитывать контекст, устройство, время, место показа и другие признаки. Итоговое решение в аукционе формируется системой в целом, а не одной моделью в изоляции — точная последовательность вычислений публично не раскрыта.
Практический мини-алгоритм
- Определить основное бизнес-действие, которое считается результатом рекламы
- Проверить передачу этого события в аналитику без потерь
Исключить дубли и технические конверсии из статистики.
Сопоставить цель с моделью оплаты и реальной маржинальностью товара или услуги
Не менять стратегию слишком часто — модели нужно время на накопление данных.
Оценивать результат за сопоставимый период, а не за случайные дни.
Сравнивать данные рекламной системы с CRM и фактическими продажами.
Argus и Gorgona следует рассматривать как разные уровни прогнозирования, а не как две взаимоисключающие кнопки в кабинете. Для бизнеса важнее не название модели, а то, насколько корректно рекламная система получает и использует данные о целевых действиях.
Как ML-алгоритмы влияют на настройку рекламной кампании
Алгоритмы влияют не только на итоговую ставку, но и на то, как нужно готовить кампанию до запуска. Цели должны отражать реальный бизнес-результат, данные — быть стабильными и без разрывов, объявления — соответствовать содержанию посадочной страницы, а структура кампании не должна создавать лишний технический шум. Стратегия должна соответствовать доступному объёму конверсий, а результаты нужно регулярно проверять через CRM и сквозную аналитику.
Здесь работает простой принцип: автоматизация усиливает как хорошие, так и плохие исходные настройки. Некорректная цель, неполная разметка событий или низкое качество трафика могут привести к формально успешной, но коммерчески слабой оптимизации — система будет исправно «оптимизировать», просто не то, что нужно бизнесу.
Практический чек-лист перед запуском автоматической стратегии
- сформулирована одна основная цель кампании
- настроена корректная передача конверсий в аналитику
- проверена атрибуция (то, как система засчитывает источник конверсии)
- определён допустимый CPA или ДРР для проекта
- учтена реальная маржинальность товара или услуги
- исключены нерелевантные запросы и площадки показа
- настроена связка рекламного кабинета с CRM
- определён период оценки результатов
предусмотрена проверка качества поступающих лидов.
Даже точный алгоритм не компенсирует ошибки в целях, аналитике и структуре кампании. Перед запуском автоматической стратегии полезно проверить базовую настройку и ведение рекламы в Яндекс Директ.
Контекстная реклама редко работает изолированно от других каналов. SEO даёт дополнительный бесплатный поисковый трафик, продвижение в нейросетях помогает формировать присутствие бренда в ответах Алисы, ChatGPT, Perplexity и других ИИ-систем, а контекст закрывает измеримый спрос здесь и сейчас и позволяет быстро корректировать рекламные действия по данным.
ML-алгоритмы требуют не больше хаотичных изменений, а более качественной подготовки кампании. Главные зоны контроля рекламодателя — цели, аналитика, экономика заявки, качество посадочной страницы и обработка лидов.
Какие данные нужны алгоритмам и как оценивать качество прогнозов
Конкретный набор признаков внутренних моделей публично раскрывается не полностью, поэтому в этом разделе уместны формулировки «может учитывать», «в публичных описаниях связывается с», «по доступным данным». Большой объём данных сам по себе не гарантирует качества прогноза — плохая разметка событий может обучить систему не тому результату, который реально нужен бизнесу.
Что оценивать на практике
Для объективной оценки кампании стоит смотреть на комбинацию показателей, а не на один индикатор:
- количество целевых действий за период
- долю подтверждённых лидов среди всех заявок
- стоимость квалифицированного лида
- долю фактических продаж от общего числа обращений
- расхождение между данными рекламной системы и CRM
- стабильность показателей по неделям
- время от клика до сделки
- окупаемость рекламных расходов
- CPA — стоимость привлечения целевого действия
- ДРР — долю рекламных расходов относительно выручки
маржинальность по товарным категориям.
Высокий CTR (доля кликов от показов) показывает, что объявление привлекает внимание, но не доказывает наличие прибыльных продаж. На практике это означает регулярную сверку выгрузки рекламной системы с CRM в Excel, контроль ключевых показателей на дашбордах и сравнение отчётов Директа, Метрики и отдела продаж между собой — только так видно, где алгоритм действительно приносит пользу, а где оптимизирует формальные метрики.
Качество прогноза следует оценивать по бизнес-результату, а не по видимости автоматизации. Для этого рекламные данные необходимо сопоставлять с подтверждёнными лидами, продажами и финансовыми показателями.
Экспертный комментарий Максима Егорова (требует согласования): «Автоматическая стратегия не работает в отрыве от качества входных данных. Если цель настроена неверно, система будет эффективно оптимизировать не тот результат, который нужен бизнесу».
Что меняется для рекламодателя: практический прогноз и ограничения
По мере развития технологий вроде Argus и Gorgona алгоритмы могут сильнее учитывать контекст и поведение пользователя, а ручное управление отдельными ставками постепенно уступает место управлению данными и ограничениями кампании. Возрастает роль корректной аналитики: рекламные кампании нужно оценивать по качеству целевых действий, а не только по объёму трафика. Специалисты по контекстной рекламе постепенно переходят от ручной настройки ставок к диагностике, тестированию гипотез и управлению экономикой привлечения клиента.
Ограничения, которые важно учитывать
- внутренние архитектуры моделей могут обновляться без публичного анонса каждой детали
- публичные публикации и статьи в медиа не заменяют официальную документацию платформы
- результат зависит от отрасли, объёма конверсий, бюджета, сезона и качества сайта конкретного проекта
- нельзя переносить показатели одного проекта на другой без учёта контекста
- автоматическая стратегия не гарантирует прибыль сама по себе
нельзя обещать конкретное снижение CPA или рост продаж без данных именно вашего проекта.
Развитие Argus и Gorgona повышает значение данных, целей и бизнес-аналитики. Рекламодатель не управляет внутренними нейросетями напрямую, но управляет условиями, на которых эти нейросети принимают решения.
Цифры и факты
Дата актуальности материала — сентябрь 2026 года.
По данным Habr, нейросети теперь учитывают события за целый год и до 8000 обезличенных событий, тогда как раньше анализировались последние десятки дней и до 256 действий.
Согласно публикации на seonews.ru, «глубина памяти» нейросетей выросла с десятков дней до целого года, а объём анализируемых действий — с 256 до 8000 событий.
По заявлению компании, приведённому в публикации rb.ru, использование нейротехнологий по итогам 2025 года позволило повысить общую эффективность рекламной системы Яндекса на 38%.
Согласно материалам seonews.ru, модель Gorgona разработана в 2025 году.
По данным публикации click.ru со ссылкой на тесты компании, Gorgona может приносить рекламодателям в среднем на 10% больше конверсий при сопоставимом бюджете — показатель заявлен разработчиком и требует проверки на данных конкретного проекта.
Ориентировочный период накопления статистики для корректной работы автоматических стратегий индивидуален и зависит от объёма конверсий, типа кампании и ниши бизнеса — единого норматива, подтверждённого официальным источником, в открытых материалах не приводится.
Стоимость пакета услуг по контекстной рекламе — от 25 000 ₽, в зависимости от объёма и сложности проекта.
Главное: что важно знать
Argus и Gorgona — не одно и то же.
Argus связан с последовательностями поведения и контекстом.
Gorgona связана с прогнозом вероятности целевого действия.
Рекламодатель не настраивает внутреннюю архитектуру моделей напрямую.
Неверная цель может привести к оптимизации не того результата.
Эффективность нужно оценивать по бизнес-метрикам и CRM.
Чем выше роль автоматизации, тем важнее качество данных и аналитики.
Если требуется аудит целей, аналитики и автоматических стратегий, можно обратиться к специалисту по контекстной рекламе.
Нужна настройка Директа под качественные цели?
Проверим Метрику, цели, стратегии и передачу конверсий — чтобы алгоритмы обучались на правильных сигналах.
Обсудить кампании