Институт AIRI

Делимся второй частью подборки статей, вышедших в нашем блоге на Хабре ⤵️ ◼️Speech-to-LaTeX: распознавание математических выражений и предложений в LaTeX Научный сотрудник группы «Доверенные и безопасные интеллектуальные системы» Дмитрий Корж и его коллеги собрали открытый двуязычный датасет и сравнили несколько подходов к решению задачи Speech-to-LaTeX. Работу представили на ICLR 2026. ◼️MARL-GPT: на пути к созданию универсальной модели для многоагентных сред Мария Нестерова, научный сотрудник группы «RL агенты» лаборатории когнитивных систем искусственного интеллекта, поделилась устройством MARL‑GPT — единой модели для координации множества агентов, которая обучается на наборах данных из трёх разных сред. Работу представили на AAAI 2026 и AAMAS 2026. ◼️TUN3D: трёхмерное понимание сцен по видео с вашего телефона Максим Колодяжный, научный сотрудник группы «Пространственный интеллект», рассказал про первый метод, который решает задачи сразу и детекции объектов, и оценки планировки, работая напрямую с изображениями. Его также представляли на ICRA 2026. ◼️OCC-RAG: компактные модели, которые отвечают только по источникам Руководитель группы «Передовой агентный интеллект» Андрей Галичин рассказал про семейство новых моделей, которые не требуют больших вычислительных мощностей и имеют сильные когнитивные способности. ◼️У роботов очень короткая память. Можно ли это исправить? Егор Черепанов, научный сотрудник группы «Воплощённые агенты» лаборатории когнитивных систем искусственного интеллекта, описал проблемы памяти роботов и устройство архитектуры ELMUR, которая решает часть этих проблем. Работу представили на ICLR 2026. ◼️От пульта до полотенца — учим робота искать всё, что угодно Научный сотрудник группы «Воплощённые агенты» лаборатории когнитивных систем искусственного интеллекта Татьяна Земскова поделилась тем, как они с коллегами создали и обучили лёгкую трансформерную модель, которая позволяет роботу доезжать до любых категорий объектов, заданных текстом. И два материала с впечатлениями наших исследователей от участия в конференции ICRA и хакатоне: ◼️Репортаж с ICRA 2026 из Вены ◼️ИИ в химии: история участия в хакатоне и рефлексия после 📎Больше интересного — на нашем Хабре.

AIRI на конференции ICML 2026🚀 Завершается международная конференция по машинному обучению ICML 2026, которая в этом году проходит в Сеуле, Южная Корея, с 6 по 11 июля. Наши исследователи представили 15 работ в основной программе конференции и 19 на воркшопах⤵️ Основная программа: ⚫️Scalable Kronecker-Factored Fisher Approximation for Neural Network Parameter Sensitivity ⚫️Near-Optimal Convergence of Accelerated Gradient Methods under Generalized and (L_0, L_1)-Smoothness ⚫️Gradient Descent as a Perceptron Algorithm: Understanding Dynamics and Implicit Acceleration ⚫️KAGE-Bench: Fast Known-Axis Visual Generalization Evaluation for Reinforcement Learning ⚫️Variational Entropic Optimal Transport ⚫️Zero-Shot Off-Policy Learning ⚫️Progressive Cramming: Reliable Token Compression and What It Reveals ⚫️GradMem: Learning to Write Context into Memory with Test-Time Gradient Descent ⚫️Harnessing Non-Adversarial Robustness in Large Language Models ⚫️Efficient Hallucination Detection for LLMs Using Uncertainty-Aware Attention Heads ⚫️Spectral-Informed Neural Networks Outperform Spectral methods in High-dimensional PDEs ⚫️Overclocking Electrostatic Generative Models ⚫️IDLM: Inverse-distilled Diffusion Language Models ⚫️One-Step Residual Shifting Diffusion for Image Super-Resolution via Distillation ⚫️Inverse Entropic Optimal Transport Solves Semi-supervised Learning via Data Likelihood Maximization Воркшопы: ⚫️ABRA: Agent Benchmark for Radiology Applications ⚫️AIR: Inference-Time Refinement for Discrete-Diffusion Antibody Humanization ⚫️Antibody Generation via Redistributed Latent Diffusion ⚫️Dual Advantage Fields ⚫️Harmonic Torsional Diffusion for Protein-Ligand Flexible Docking ⚫️Don’t Blind Your VLA: Aligning Visual Representations for OOD Generalization ⚫️Time-Correlated Video Bridge Matching ⚫️Just Add More Capacitors: Eliminating Flux Leakage in Electrostatic Field Matching ⚫️Plan, Don't Pose: Long Composite Motion Generation with Text-Aligned BFM ⚫️TUBE: Tangent Upper Bound on Evidence for Discrete Diffusion Language Models ⚫️Uni-Bond: Learning Chemical Bonds from Atomic Coordinates ⚫️Unlocking the Duality between Flow and Field Matching ⚫️A p-adic Perspective on Low-Bit Training of Neural Networks ⚫️PA-CoT: Profile-Adaptive Chain-of-Thought for Personalized Nutritional Consulting ⚫️What do Uncertainty Lens tell about Emergent Misalignment? ⚫️VLA Grounder: Language-Conditioning Space Optimization for Black-Box VLA Models ⚫️Generative Pipeline for Discovering Solid-State Battery Materials with Universal Atomistic Potentials ⚫️Midpoint Generative Models ⚫️How to Train Your Latent Diffusion Language Model Jointly With the Latent Space Делимся фотографиями из Южной Кореи📷 #AIRIнаКонфе

Вместе со Сбером и Уральским федеральным университетом мы открыли лабораторию ИИ в промышленности У научного коллектива будет широкий спектр направлений исследований: создание систем предиктивной аналитики, а также методов оптимизации технологических процессов с использованием RL и цифровых моделей производственных объектов, разработка интеллектуальных систем промышленной безопасности и интеллектуальных технологий для электроэнергетики. Соглашение об открытии лаборатории было подписано в рамках международной промышленной выставки «Иннопром». Делаем с коллегами важный шаг в развитии исследований в области промышленного искусственного интеллекта🚀

Наши учёные разработали новый подход, ускоряющий аннотацию геномов организмов Найти гены в ДНК сложно, у них нет универсальных сигналов начала и конца, а границы зависят от сочетаний коротких мотивов. Исследователи группы геномики AIRI создали нейросетевую модель GENATATOR, которая получает на вход последовательность ДНК и размечает в ней гены — находит их границы, определяет тип транскрипта и восстанавливает внутреннюю структуру. Главное отличие подхода в том, что система опирается не только на заранее заданные правила: он основан на обучении моделей на больших наборах геномов и поиске закономерностей непосредственно в последовательностях ДНК. Новая система работает поэтапно и может находить два основных типа генов: белок-кодирующие и гены длинных некодирующих РНК. Особое внимание разработчики уделили точности границ генов. Сбор данных для обучения модели провели учёные Научно-технологического университета «Сириус» и ИЦиГ СО РАН. HuggingFace | Лидерборд | dnalm | ТАСС

Делимся первой частью последних статей, вышедших в нашем блоге на Хабре ⤵️ ◼️KernelEvo — автоматическая генерация GPU-ядер Команда «Вычислительного интеллекта» создала фреймворк для автоматизации и упрощения процесса разработки GPU-ядер. Рассказали нюансы этого процесса и подробности разработки. ◼️Нам не подошла ни одна среда для MARL в непрерывном пространстве — поэтому мы сделали CAMAR Исследователи группы «RL агенты» лаборатории когнитивных систем ИИ AIRI сделали свою среду‑бенчмарк, где можно обкатывать модели многоагентного обучения с подкреплением в непрерывном пространстве, — о ней рассказали на AAAI 2026 в Сингапуре. ◼️Senior на бумаге, Junior в рантайме: как я тестировал локальные LLM на 120B параметров в Greenfield-проекте Сергей Дуга из нашего отдела научно-технической разработки поэкспериментировал в попытках выяснить, можно ли организовать полноценный цикл разработки агентов, используя только локальные модели. ◼️Flow Matching, 276M параметров и моделирование хаоса: как мы научили генеративную модель Marchuk предсказывать погоду Команда «Генеративный ИИ для видео» лаборатории FusionBrain выпустила модель прогноза погоды. Рассказали, как исследователи пришли к её созданию, каким образом она устроена и какие у неё предсказательные способности. ◼️Конвейеры формирования изображений. Часть 2: Баланс белого и преобразование к стандартному наблюдателю Разбор типичных конвейеров формирования изображения, заложенных в наши профессиональные камеры и мобильные телефоны, продолжил руководитель группы «Цветовая вычислительная фотография» Егор Ершов — о балансе белого и переходе в пространство стандартного наблюдателя. ◼️Рисуем с помощью закона Кулона. Как сделать генеративную модель на основе электростатики Александр Колесов, научный сотрудник группы «Основы генеративного ИИ» AIRI, объясняет их метод Electrostatic Field Matching, использующий физическую аналогию для переноса распределений. Статью представляли на ICLR 2026. И два материала, в которых наши исследователи рассказывают об участии в конференциях и своих впечатлениях: ◼️WACV 2026 в Тусоне: конференция, пустыня и немного экзистенции ◼️NLP глазами CVшника. Чем мне запомнилась поездка в Марокко на конференцию EACL 2026 📎На выходных точно будет что почитать, больше интересного — на нашем Хабре.

О мозге и о том, как с ним общаться Алексей Осадчий, PhD, доктор компьютерных наук, руководитель научной группы «Нейроинтерфейсы» Института AIRI, директор Центра биоэлектрических интерфейсов ИКН НИУ ВШЭ, в выпуске проекта «Основа» рассказывает: ⚫️как мозг кодирует информацию и принимает решения ⚫️куда подключают нейроинтерфейсы и как с их помощью можно восстановить способность говорить и управлять экзоскелетом ⚫️как работает мозг и что за ритмы в нём есть ⚫️какие упражнения помогут мозгу дольше не стареть — и ещё много чего интересного об одном из главных органов человека. Смотрите выпуск на YouTube и VK Видео⏯

Наши учёные продвинулись в доказательстве гипотезы академика Тыртышникова Этой гипотезе уже тридцать лет, и она считается одним из самых сложных открытых вопросов в теории матриц. Исследователи AIRI Михаил Паутов из группы «Доверенные и безопасные интеллектуальные системы» и Ричик Сенгупта из группы «Вычислительный интеллект» смогли приблизиться к решению так называемой «Московской проблемы». В интервью «Ъ-Науке» они рассказали: ⚫️в чём заключается гипотеза и почему при простой формулировке в решении не удавалось продвинуться десятилетиями ⚫️каких результатов удалость добиться нашим исследователям и как нейросети помогали в процессе ⚫️какие у результата практические применения ⚫️откуда взялось второе название гипотезы 📎Читайте материал по ссылке.

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

Приглашаем на заключительный в этом сезоне #AIRI_Seminars, который пройдёт 17 июня в 17:00 ⤵️ Тема: «Геометрические загадки трансформера» Докладчик: Михаил Бурцев, научный сотрудник программы Arnold & Landau AI Fellowship Оппонент: Елизавета Гончарова, кандидат компьютерных наук, руководитель группы «Мультимодальный ИИ» лаборатории FusionBrain AIRI Подробное описание и регистрация на офлайн-формат на сайте. Трансляция на YouTube | VK Видео

Увидеть раньше, среагировать быстрее: как ИИ помогает предсказывать погоду, влияет на экологию и промышленность Продолжаем нашу с Компьютеррой серию текстов к пятилетию AIRI о роли науки и искусственного интеллекта в нашей повседневной жизни. Во втором материале вместе с Константином Соболевым, руководителем группы «Генеративный ИИ для видео» лаборатории FusionBrain Института AIRI, разбираем, как модели предсказывают климатические риски и как это используется в планировании продаж, логистике и сельском хозяйстве, а также каким образом ИИ помогает обслуживать оборудование, выявлять брак и контролировать технологические процессы на производстве. 📎Читайте в материале