Институт AIRI

@airi_research_institute · ai · Russian · active

Канал Института AIRI ⚡️ Рассказываем про технологии ИИ и о том, как исследователи развивают их в России и мире: https://airi.net/ru/ ВКонтакте: https://vk.com/airi_institute Регистрация в РКН: https://gosuslugi.ru/snet/686cce31f794ae555409516c

Subscribers 14K Subscribers, last 30 days: 14K → 14K +0 24h · +0 7d
Reach per post (ERR) 30.2%4.2K avg views
Posting 4.4/week last 1 day ago
Reactions per 1K views 10.1 ❤
  1. Встретили октябрь победами!🔥 🌐 При международной конференции MICCAI проводились челленджи, в которых наши исследователи заняли победные и призовые места. FLARE Challenge Задача №1 состояла в классификации и сегментации рака по КТ с обработкой менее 60 секунд на скан. ▶️Проект "PANTHER" команды Евгении Пржездзецкой и Виктора Гомболевского, AIRI, а также Василия Баранова из МФТИ и Марии Хазовой из МГУ признан самым быстрым решением задачи — на машине организаторов ансамбль команды обрабатывал снимок в среднем за 23,4 секунды. PANTHER вырос из проекта Летней школы Института AIRI — об этом рассказали в хабре. CMR-Multi Challenge Соревнование по распознаванию структур сердца и его клинических показателей по МРТ-снимкам. ▶️Решение команды Даниила Сухорукова и Ильи Макарова, AIRI, а также Екатерины Антипушиной и Елизаветы Черкасской из Сколтеха было представлено ансамблем nnU-Net моделей сегментации над тремя проекциями МРТ-снимков и заняло 2-е место. SynthOCT Challenge Соревнование по анализу сканов кожи, где требовалось отображать данные ОКТ-сканера в приближённое к реальности изображение снимка кожи. ▶️Команде Даниила Сухорукова и Ильи Макарова, AIRI, а также Екатерины Антипушиной и Юрия Ковша, Сколтех, удалось построить обратимую дифференцируемую версию ОКТ-сканера и с помощью нейросетевой коррекции улучшить его качество до точных значений по метрикам восстановления снимков кожи. Снимки восстанавливаются с точность 98.5% от оригинальных сканов по метрике MS-SSIM. Решение получило 3-е место. FoundUS Challenge Соревнование по фундаментальным моделям анализа ультразвука в 9-ти задачах. ▶️Илья Семенков, AIRI, разработал метод для многозадачной УЗИ-биометрии, который позволяет одной системе работать сразу с девятью задачами в акушерском и кардиальном УЗИ. В основе подхода иерархический ансамбль нескольких взаимодополняющих моделей, который помогает учитывать различия между задачами и типами данных. Решение получило 7-е место. 🌐 На ИТ-соревновании «Хакни квант 2026» Семён Заруцкий занял первое место в направлении «Квантовые коммуникации». Поздравляем наших звёздочек сердечками ❤️

  2. edited
    +4

    Время ИИшницы! Приглашаем на митап, который пройдёт 22 октября в 18:30⤵️ В честь юбилейного года AIRI мы пересобрали формат ИИшницы и выходим в офлайн. Семь спикеров выступят в формате печа-куча, а после обсудят тему агентов за круглым столом. Спикеры: ➡️ Владимир Шапошников, научный сотрудник группы «Мультимодальные архитектуры ИИ» лаборатории «Сильный ИИ в медицине», AIRI 🔖 Агент сказал «готово». Проверяем ➡️ Артемий Сахаров, специалист по анализу данных и машинному обучению, Р-Фарм 🔖 Цифровой контур R&D: ИИ-агенты для работы с мишенями и базами экспериментов ➡️ Иван Копылов, технический лидер центра прикладных решений MWS AI 🔖 Паттерны проектирования памяти для агентских систем ➡️ Владимир Димитров, Senior DS engineer в команде Авито Работа 🔖 AI Recruiter в Авито: агент, который проводит интервью ➡️ Артём Павленко, начальник отдела разработки технологий агентов искусственного интеллекта, Альфа Банк 🔖 От пилота QA-помощника до универсального агента для IT: 1000+ DAU ➡️ Евгений Володин, Технический директор, Антиплагиат 🔖 ИИ-агенты в образовании ➡️ Борис Заикин, к.т.н., исполнительный директор по исследованию данных, Сбер 🔖 RL агента в исполняемых средах: опыт обучения 9B-модели в харнессе GigaAgent Модераторы мероприятия — директор Центра ИИ-разработки новых лекарственных препаратов в AIRI Артур Кадурин и директор по маркетингу и коммуникациям AIRI Александра Бройтман. Кстати, вы тоже можете стать спикером печа-кучи. Для этого направьте нам тему об агентах, с которой вы хотели бы выступить, и краткое описание к ней на почту event@airi.net. Вместе с модераторами мы выберем двух спикеров и свяжемся с ними для подготовки к докладу🙂 Подробное описание митапа и регистрация на офлайн-формат на сайте. Трансляция на YouTube и VK Видео⏯ #ИИшница

  3. edited

    Elsevier обновил базу ТОП-2% учёных мира по цитированиям✔️ 7 октября на платформе Elsevier Data Repository вышла версия девятой общедоступной базы данных "Updated science-wide author databases of standardized citation indicators" — одного из самых цитируемых источников для оценки научного влияния в мире. База подготовлена на основе данных из Scopus на 1 августа 2026 года и включает метрики по цитированиям за 2025 календарный год, а также данные за всю научную карьеру до конца 2025 года. В ней представлены такие показатели, как количество публикаций, число цитирований, индекс Хирша с учётом и без учёта самоцитирования, и ряд других. От нашего Института в ТОПе: ➡️ доктор физико-математических наук, профессор РАН, генеральный директор AIRI и декан факультета ИИ МГУ Иван Оселедец — 28 157-е место в общем рейтинге за всю карьеру и 3 277-е место за год ➡️ доктор физико-математических наук, руководитель группы «Обучаемый интеллект» AIRI и руководитель Центра ИИ Сколтеха Евгений Бурнаев — 196 789-е место в общем рейтинге за всю карьеру и 48 982-е место за год Поздравляем Ивана и Евгения сердечками! ❤️

  4. Приглашаем на следующий #AIRI_Seminars, который пройдёт 14 октября в 17:00 ⤵️ Тема: «Как и зачем учить языковую модель работать с инструментами» Докладчик: Дарья Пугачёва, старший научный сотрудник группы «Обобщаемые системы ИИ» Института AIRI Оппонент: Данил Кашин, руководитель команды претрейна VLM и Agentic Vision в Alice AI VLM Яндекса Подробное описание и регистрация на офлайн-формат на сайте. Трансляция на YouTube | VK Видео

  5. Обучение нейросетей через «чёрный ящик» Наши исследователи вместе с Центром квантовых технологий Сбербанка и Сколтеха разработали Astralora — метод обучения гибридных ИИ-моделей, которые используют альтернативные вычислители, такие как фотонные, нейроморфные и аналоговые чипы. Обучение нейросетей методом обратного распространения ошибки требует доступа к внутренним градиентам каждого слоя. Astralora позволяет обойти это ограничение. При случайном изменении параметров вычислительного модуля система оценивает результат и определяет, в какую сторону нужно скорректировать настройки. Компактная суррогатная модель помогает передавать обратный сигнал, пока вычислительный модуль выполняет основную работу. Метод протестировали на шести моделях фотонных вычислительных слоёв и схем, решая задачи из трёх разных областей. Результаты показали, что для эффективного обучения не обязательно знать, что происходит внутри каждого вычислительного компонента. Научная статья | GitHub | ТАСС

  6. +3

    AIRI и ещё три конференции😁 Работы наших исследователей и там, и тут показывают — в Сиднее, Австралия, а также в Питтсбурге и Миннеаполисе, США. В этом году постеры представили наши международные соавторы❤️ Interspeech📌 📎Towards Robust Speech Deepfake Detection via Human-Inspired Reasoning HIR-SDD — новый подход к обнаружению речевых дипфейков, который объединяет возможности больших аудиоязыковых моделей с пошаговым рассуждением, полученным на основе набора данных с человеческой разметкой. IROS📌 📎GPUSimBench: Towards Scalable and Reliable GPU-Accelerated Simulators in Embodied AI (появится в открытом доступе позже) Бенчмарк для выявления скрытых ограничений робототехнических симуляторов, использующих GPU, который сфокусирован на масштабируемости, физической согласованности и вычислительной детерминированности. RecSys📌 📎Codebook-Based Semantic IDs in Generative Recommendation: Enabling Interface, Emerging Bottleneck Обзор и критический анализ семантических идентификаторов (SID) в генеративных рекомендательных системах с выделением их ключевых ограничений и направлений развития токенизации, адаптивной идентичности и интеграции с LLM. 📎Your 5-Core Train Split May Not Be 5-Core: Core Filtering and Temporal Splitting Do Not Commute О протоколах временной оценки рекомендательных систем, влиянии порядка применения p-core-фильтрации и временного разбиения на состав данных, а также результаты сравнения моделей. 📎CoSID: Concept-Conditioned Semantic-ID Decoding for Efficient Generative Recommendation Ускоренный декодер семантических идентификаторов, в котором тяжёлая часть модели однократно кодирует историю в компактное представление концепта следующего объекта, а всю дорогостоящую генерацию идентификатора выполняет лёгкий декодер. 📎More Test Users, More Overconfidence: Seed Variance in Sequential Recommender Tests В работе показали, что общепринятое попарное сравнение качества двух рекомендательных моделей по одним и тем же пользователям может переоценивать статистическую значимость различий между ними. 📎A Redundancy Reduction Approach for Controllable Sequential Recommendations Метод последовательных рекомендаций, использующий декорреляцию признаков для регулирования баланса между точностью и охватом каталога. Геометрический анализ раскрывает связь между доминирующими направлениями в пространстве пользовательских представлений и преимуществом популярных объектов при ранжировании. #AIRIнаКонфе

  7. Делимся хабрами, вышедшими в нашем блоге за последний месяц⤵️ ◾️Правда ли, что медицинский ИИ точнее врачей? Наш фреймворк помогает это выяснить Илья Копаничук, старший научный сотрудник группы «Мультимодальные архитектуры ИИ» лаборатории «Сильный ИИ в медицине», поделился тем, как он с коллегами из ФГБУ «НМИЦ им. В. А. Алмазова» Минздрава России разрабатывал фреймворк для проверки диагностических медицинских моделей. ◾️Как дифракционная оптика и нейронные сети позволяют снимать гиперспектральные изображения за одно экспонирование Научный сотрудник группы «Цветовая вычислительная фотография» Даниил Владимиров рассказал, как дифракционный адаптер и компактная нейронная сеть вместо объектива позволяют снимать гиперспектральный куб на любую RGB-камеру за одно экспонирование. Работу представили на IJCAI 2026. ◾️Конвейеры формирования изображений. Часть 3: Программная обработка изображения Продолжил рассказывать про конвейеры формирования изображений Егор Ершов, руководитель группы «Цветовая вычислительная фотография». В этот раз разбирались, как в них происходит обработка изображений на программном уровне. А ещё на Хабре опубликовали репортаж о WAIC 2026 от Алёны Аспидовой, инженера-исследователя группы геномики Центра ИИ-разработки новых лекарственных препаратов. 📎Больше интересного — на нашем Хабре.

  8. +6

    AIRI на MICCAI 2026📍 Во Франции, Страсбург, проходит международная конференция в области обработки медицинских изображений и искусственного интеллекта — MICCAI. На ней наши исследователи — Дмитрий Умеренков и Евгения Пржездзецкая из группы «Базовые модели» лаборатории «Сильный ИИ в медицине», а также Дмитрий Дылов, директор лаборатории, и Илья Семенков из группы «Нейроинтерфейсы» — представляют 3 работы: Main track 📎Image-Level Diagnostic Difficulty from Annotation Disagreement in Chest Radiographs (появится в открытом доступе позже) Авторы предложили оценивать диагностическую сложность рентгенограмм грудной клетки по разногласиям между рентгенологами или ИИ-системами. Обученная на этих разногласиях нейросеть может частично предсказывать сложность по самому снимку, что в перспективе поможет выделять неоднозначные случаи для дополнительной экспертной проверки. Medical World Model Workshop 📎Hierarchical Ensembles of Complementary Landmark Detectors for Multi-Task Ultrasound Biometry Метод для многозадачной УЗИ-биометрии, который позволяет одной системе работать сразу с девятью задачами в акушерском и кардиальном УЗИ. В основе подхода — иерархический ансамбль нескольких взаимодополняющих моделей, который помогает учитывать различия между задачами и типами данных. С этой работой Илья занял 7 место в FoundUS Challenge при MICCAI. FLARE Challenge 📎PANTHER: PAN-cancer CT Segmentation with Two-tier Healthy-scan Ensemble Rejection (появится в открытом доступе позже) Пан-раковая сегментация КТ с двухуровневым механизмом отказа от обработки здоровых сканов. Пятифолдовый ансамбль nnU-Net использует два уровня фильтрации: неявное воздержание через согласование фолдов и гейт Махаланобиса по форме предсказанной маски — модель знает, когда сказать «нет». GitHub. Делимся фотографиями с конференции📷 #AIRIнаКонфе

  9. Приглашаем на следующий #AIRI_Seminars, который пройдёт 30 сентября в 17:00 ⤵️ Тема: «Контент без гарантий: от больших моделей до вероятностной верификации» Докладчик: Владимир Мазин, научный сотрудник группы «Доверенные и безопасные интеллектуальные системы» Института AIRI, заведующий сектором «Технологии компьютерного зрения» ЦИИиПП МТУСИ Оппонент: Павел Сауков, исполнительный директор Лаборатории кибербезопасности Сбера Подробное описание и регистрация на офлайн-формат на сайте. Трансляция на YouTube | VK Видео

  10. Объединяем исследователей для обучения ИИ долгосрочному планированию Владислав Куренков, руководитель научной группы «Адаптивные агенты» Института AIRI, запустил открытое сообщество людей, работающих над системами планирования ИИ, чтобы вместе решить одну из самых неподатливых для искусственного интеллекта игр — NetHack. У каждого участника будет свой способ получить программу, свои инструменты и своя стратегия, а общая инфраструктура позволит видеть результаты друг друга, сравнивать их между собой и продолжать разрабатывать решения друг друга. Владислав рассказал, почему NetHack весьма полезна для обучения ИИ: «Одна партия в NetHack — это десятки тысяч ходов. Жизнь у героя одна, сохранений нет, подземелье каждый раз новое, а игра по дороге ничего не подсказывает. Если вы сыграли плохо, то выясняется это тогда, когда ничего исправить уже нельзя. Когда мы запускаем наших ботов играть, то вторая по частоте причина их "смерти" — голод, потому что они не позаботились о еде за несколько тысяч ходов до финального момента. На таких же ошибках спотыкаются ИИ-агенты, когда пишут код: отдельный шаг они выполняют прекрасно, а на длинную дистанцию держать планку не могут. И NetHack в этом плане становится весьма полезной для обучения ИИ». 📎Подробнее про сообщество, игру и «интеллект» агента — в интервью «Ъ-Науке».

  11. +3

    AIRI на ECCV 2026📌 Недавно побывали в Швеции, в городе Мальмё, на Европейской конференции по компьютерному зрению. Институт представлял Михаил Жирнов, инженер-исследователь группы «Генеративный ИИ для видео» лаборатории FusionBrain. От AIRI было две работы: 📎LayerVerse: Finding the Sweet Spot for KV-Injection in Training-Free Image Editing Оптимизационный фреймворк, который находит баланс между сохранением неизменяемого фона и качественным редактированием объекта за счёт оптимального распределения глобальных и маскированных KV-инъекций по слоям модели, не требуя её дообучения. 📎LUA: Latent Upscaling Adapter for Diffusion-Based Image Synthesis LUA — лёгкий модуль, который выполняет сверхразрешение непосредственно в латентном пространстве диффузионных моделей до финального шага декодирования VAE. Интегрируется в существующие модели без дообучения и дружит с разными VAE. Делимся фотографиями с ECCV📷 #AIRIнаКонфе

  12. edited

    Yandex ML Prize 2026 в наших руках! А точнее, в руках наших исследователей🙂 ▶️Иван Оселедец, доктор физико-математических наук, профессор РАН, генеральный директор AIRI и декан факультета ИИ МГУ ▶️Антон Конушин, кандидат физико-математических наук, руководитель группы «Пространственный интеллект» — получили премию за вклад в развитие области ML в категории «Зал славы». В зал славы включают уникальных учёных и наставников, благодаря которым выросло сообщество исследователей и инженеров мирового уровня. Они изменили подход к обучению, науке и технологиям и продолжают вдохновлять новые поколения. Лауреаты этой категории не подают заявки самостоятельно — их выбирают по итогу опроса лауреатов премии предыдущих лет. Научную премию Яндекса в номинации «Начинающие преподаватели» получили⤵️ ▶️Альбина Бурлова, младший научный сотрудник группы «Прикладное NLP» ▶️Константин Пчелин, младший научный сотрудник группы «Мультимодальные архитектуры ИИ» Поздравляем их сердечками ❤️

  13. Об искусственном интеллекте в образовании и науке⤵️ Нейросети всё сильнее проникают в нашу повседневную жизнь и становятся её привычной частью. Это касается и научно-образовательной сферы. Иван Оселедец, доктор физико-математических наук, профессор РАН, генеральный директор Института AIRI и декан факультета ИИ МГУ, вместе с директором по стратегическому маркетингу Яндекса и профессором ИТМО Андреем Себрантом, а также ведущими подкаста «2ТОК» обсудили: ⚫️как учить искусственному интеллекту в школе и что делать преподавателям ⚫️как нейросети влияют на учёбу и выполнение домашки ⚫️что стало с научными статьями и в чём сейчас заключается роль учёного ⚫️где мы на международной ИИ-арене — и другие интересные и важные вопросы о нейросетях, учёбе и науке. Смотрите выпуск в VK Видео и на YouTube⏯

  14. Разработан инструмент, оценивающий способность ИИ-моделей определять мишень для антитела Его создала команда исследователей из группы «Базовые модели» лаборатории «Сильный ИИ в медицине» Института AIRI и Центра практического ИИ Сбера. Бенчмарк помогает сравнивать модели на ранних этапах создания антител и отсеивать ненадёжные вычислительные подходы. Модели сравниваются на способность определять специфичность, то есть способность антитела связываться с необходимым антигеном и при этом не цепляться за посторонние белки. Это важно для точности диагностики, эффективности терапии и снижения риска побочных эффектов. Работу представляли на KDD 2026. Научная статья | ТАСС

  15. О секретах эффективного промпта и главных ошибках при работе с ИИ⤵️ Андрей Галичин, руководитель группы «Передовой агентный интеллект» Института AIRI, рассказывает в «Инк.»: ⚫️зачем нужно уметь правильно составлять задания для моделей ⚫️почему это не всегда помогает ⚫️какие есть приёмы для снижения вероятности ошибки ⚫️как наладить работу с промптами в компании и о чём важно не забывать 📎Читайте в колонке по ссылке.

  16. +3

    AIRI на ECML PKDD 2026📍 В Неаполе, Италия, с 7 по 11 сентября проходит Европейская конференция по машинному обучению, принципам и практике обнаружения знаний в базах данных. Наши исследователи Алексей Шмелев из группы геномики и Сергей Плетенев из группы «Вычислительная семантика» представляют на ней три работы Института⤵️ Трек «Прикладная наука о данных» 📎GENATATORs: ab initio Gene Annotation With DNA Language Models Нейросетевая модель GENATATOR, которая получает на вход последовательность ДНК и размечает в ней гены — находит их границы, определяет тип транскрипта и восстанавливает внутреннюю структуру. Индустриальный трек 📎Efficient Adaptive Retrieval-Augmented Generation\\via Temporal Question Classification В статье представлена EverGreen-RAG — адаптивная RAG система, которая сочетает в себе многоязычную классификацию изменяемых от времени вопросов с дополнительными проверками достоверности. Воркшоп SynDAiTE 📎MechFaithBench: A Counterfactual Benchmark for Visual Grounding Diagnostics in Vision-Language Models Бенчмарк для оценки визуальной достоверности, который объединяет проверку правильности ответов мультимодальных моделей с анализом их визуального граундинга. Делимся фотографиями с конференции📷 #AIRIнаКонфе

  17. repost

    Вечером 8 сентября OpenAI объявила, что их неназванная ИИ-модель, предназначенная для внутреннего использования, справилась с одной из семи Задач тысячелетия — проблемой существования и гладкости решений Навье — Стокса. За этим громким заявлением, впрочем, тут же последовало еще одно: компанию обвинили в том, что она попросту воспользовалась плодами труда двух ученых. По просьбе N + 1 математики из AIRI Валентин Хрульков и Владимир Фанасков рассказывают, чего именно добилась OpenAI и почему ее теперь обвиняют в заимствовании идей. Накидайте Коняева в реакциях, если ждали эксплейнер🍺 #Математика | #IT | *4.9 🙄 Подпишитесь на N + 1

  18. Как искусственный интеллект меняет большой бизнес Максим Кузнецов, директор управления стратегического развития и партнёрств Института AIRI, вместе с Сергеем Черномырдиным, руководителем команды по развитию инструментов платформы данных Magnit OMNI, и ведущим подкаста СберПро «Цифра в деле» Аркадием Глушенковым рассуждают: ⚫️в каких бизнес-процессах ИИ уже эффективно используется ⚫️как компании внедряют его и с какими ограничениями сталкиваются ⚫️как реализуется контроль задач, выполняемых ИИ ⚫️в чём реальная выгода компаний от его применения Смотрите выпуск по ссылке⏯

  19. Older posts