Институт AIRI

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! ❤️

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

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

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

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.

#AIRI_Seminars в эфире! Подключайтесь к трансляции в VK Видео или на YouTube

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

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

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».