NeurIPS 2025: краткий разбор ключевых наград Оргкомитет опубликовал победителей. Общий тренд — работы про масштабирование моделей, устойчивость обучения и фундаментальные теоретические результаты. 🏆 Special Awards - Test of Time (2015): Faster R-CNN - Ввели RPN, отказавшись от Selective Search. - Сделали детекцию полностью end-to-end и задали стандарт индустрии на десятилетие. - Sejnowski–Hinton Prize (2016): Feedback Alignment - Показали, что backprop работает даже при случайных фиксированных обратных весах. - Это решает «weight transport problem» и делает алгоритм ближе к биологически правдоподобным. 🌟 Best Papers (Main Track) - Architecture: Gated Softmax Attention - Решает нестабильность больших трансформеров и проблему attention sinks. - Добавляет простое sigmoid-gating для отдельных heads. - Даёт стабильность почти без оверхеда; уже используется в Qwen3-Next. - RL: Scaling to 1024 Layers - Self-Supervised RL сделал возможным обучение сети глубиной 1024 слоя. - На задачах локомоции — до 50× улучшения относительно стандартных моделей. - Theory: Diffusion Dynamics - Выделены две фазы обучения диффузионных моделей: быстрая generalization и медленная memorization. - Формализована implicit regularization, объясняющая поведение моделей. - LLM: Artificial Hivemind - Анализ того, как разные LLM начинают давать похожие ответы. - Новый датасет Infinity-Chat для изучения этого эффекта и потери разнообразия. - Theory: Online Learning Gap - Доказан квадратичный разрыв в sample complexity между transductive и обычным online-обучением. - Закрытие старой теоретической задачи. 🔗 Полный список: https://blog.neurips.cc/2025/11/26/announcing-the-neurips-2025-best-paper-awards/