Институт AIRI

@airi_research_institute · ai · Russian · active

Subscribers 14K Subscribers, last 30 days: 14K → 14K +0 24h
Reach per post (ERR) 30.2%4.2K avg views
Posting 4.2/week last 2 days ago
Reactions per 1K views 10.1 ❤

Второй день в Будапеште 📍 Сегодня на EMNLP Никита Качаев и Алексей Староверов из группы «Воплощённые агенты», Андрей Москаленко из группы «ИИ для роботов», Альбина Бурлова из группы «Прикладное NLP», Людмила Рванова, из группы «Мультимодальный ИИ», Ольга Волкова и Никита Глазков из группы «Мультимодальные архитектуры ИИ», а также Владимир Махарев из группы «Нейрокогнитивные архитектуры» представили 6 постеров⤵️ Основной трек 📎Does VLA Even Know the Basics? Limitations in Commonsense and World Knowledge of VLA Models Предложена методология Act2Answer, позволяющая проверять наличие знаний о мире в VLA-моделях по действиям робота при ответах на вопросы и анализу намерений на уровне внутренних представлений. Эксперименты показали, что после дообучения на робо-данных большинство VLA сохраняет способность различать базовые признаки цвета и формы, но заметно уступает исходным VLM в более высокоуровневых знаниях. 📎FactRot: Auditing Typed Fact Survival Under Iterative LLM Rewriting Методика оценки сохранности отдельных фактов (чисел, дат, сущностей, отрицаний и причинно-следственных связей) при многократном переписывании текста языковыми моделями. Эксперименты на 4 моделях и цепочках до 12 шагов показали, что с каждым переписыванием часть фактов теряется, а простая инструкция сохранять фактическую точность заметно снижает эти потери. 📎VLA Grounder: Language-Conditioning Space Optimization for Black-Box VLA Models Модели VLA обычно рассматриваются как end-to-end стратегии действий, обусловленные описаниями задач на естественном языке. Авторы изучают, можно ли улучшить замороженные стратегии VLA путём оптимизации языкового пространства, а не обновления весов действий. Их метод преобразует инструкцию от человека в более подходящую для модели команду, используя пространственные отношения и визуальные подсказки. Индустриальный трек 📎Uncertainty Guardrails for LLM-Based Medical Diagnostic Systems Авторы исследуют методы оценки неопределённости языковых моделей в медицинской диагностике, позволяющие выявлять потенциально ошибочные диагнозы даже при отсутствии доступа к внутренним состояниям модели. Предложенный подход на основе вспомогательной модели превосходит лучшие методы без использования прокси и может быть интегрирован в существующие диагностические системы без переобучения основной LLM. 📎Adapt the Words, Freeze the Model: LLM Prompt Evolution for Domain-Shift-Robust Segmentation CoreFrac — открытый пиксельный бенчмарк для сегментации трещин по фото, а также метод адаптации сегментатора через автоматическую эволюцию текстовых промптов. Подход позволяет эффективно настраивать алгоритм под новые условия съёмки и типы пород без обновления весов нейросети. Трек Findings 📎Extending LLM Context via Associative Recurrent Memory В работе исследуется применение ассоциативной рекуррентной памяти (ARMT) для расширения контекста небольших языковых моделей. Подход позволяет обобщать результаты дообучения на последовательностях длиной до 8 тысяч токенов на значительно более длинные контексты при постоянном потреблении GPU-памяти и снижении вычислительных затрат. Делимся фотокарточками📷 #AIRIнаКонфе

Views over time

02K4K26 Oct 15:5812 Nov 10:143.8K26 Oct 15:58: 0 views12 Nov 10:14: 3,790 views
Snapshots we took after posting.
WhenViews
26 Oct 2026, 15:580
12 Nov 2026, 10:143.8K

Who shared this post

Posts in other channels we index that link to this one. (Forwards with a hidden source can't be traced.)

Nobody yet.