Тренды в ML

Максим Еременко

Департамент развития искусственного интеллекта и машинного обучения

Вице-президент, Директор департамента

Автономный универсальный агент для повышения эффективности сотрудников Сбера

Андрей Кузнецов

Управление перспективных методов автоматизации и проектирования

Управляющий директор

VideoGen как основа Physical AI систем

Денис Димитров

GenAI, Kandinsky Lab

Управляющий директор по исследованию данных

GreenVLA: новые возможности в Physical AI

О чём доклад?

Разберём полный цикл создания сильной Physical AI-модели — от подготовки данных для предобучения до работы на реальном роботе и следующей итерации модели. Поговорим о том, как объединять мультимодальные интернет-данные, человеческие демонстрации, синтетические эпизоды, симуляцию и робототехнические траектории, а также обучаться не только на успешных примерах, но и на ошибках, исправлениях и восстановлении после сбоев. Отдельно покажем роль внутреннего reasoning VLM: как модель понимает сцену, интерпретирует задачу и отслеживает ход её выполнения. Разберём, как ошибки уже работающей модели превращаются в новые информативные траектории с робота и возвращаются в обучающий пайплайн. Такой замкнутый цикл «данные — обучение — робот — новые данные» позволяет Green-VLA осваивать всё более сложные сценарии и становиться надёжнее с каждой итерацией.

Полина Федотова

Manipulation and Cognition, Центр робототехники Сбера

Руководитель команды Green-VLA

Панельная дискуссия. Ждут ли нас радикальные инновации в больших моделях в следующие 5 лет?

О чём дискуссия?

Архитектуры, подходы, методы обучения, оборудование, харнесс, практики использования: что на ваш взгляд останется прежним, что изменится незначительно, а что будет полностью пересмотрено?

Сергей Марков

Управление экспериментальных систем машинного обучения

Директор по развитию технологий ИИ

Скорость без компромиссов: современные архитектуры эффективных LLM

О чём доклад?

Доклад посвящен современным архитектурам эффективных LLM, которые ускоряют модель трансформера в десятки раз без потери в качестве. Мы поговорим про основные строительные блоки таких архитектур, их сильные места и особенности обучения и инференса. Также поделимся наблюдениями и выводами из наших экспериментов и расскажем про то, что нас ждем в следующем поколении LLM.

Никита Арсенин

R&D NLP, группа «Архитектуры»

Руководитель направления

Новые физические модальности для ИИ: запах и тактильность

О чём доклад?

Интеграция новых сенсорных модальностей, таких как тактильность и обоняние, существенно расширяет возможности восприятия и взаимодействия роботов с окружающей средой. Тактильная информация повышает точность манипуляций, в то время как анализ запахов предоставляет доступ к информации, недоступной для визуальных систем. Главной задачей при работе с новыми модальностями — это разработка подходов для построения эффективных представлений, учитывающих особенность структуры и природы данных.

Елизавета Ковтун

Управление развития перспективных технологий AI, Sber AI

Руководитель направления по исследованию данных

Эффективный контекст для генеративных систем: как мы обучали поискового агента

О чём доклад?

Доклад посвящён поисковому субагенту для LLM, способного декомпозировать сложные запросы и итеративно искать документы. Мы расскажем про общую постановку задачи агентного поиска, разберем, как создавались наши тестовые корзины для валидации, а также покажем пайплайн обучения модели на разных этапах и продемонстрируем результаты на открытых и внутренних бенчмарках. Обсудим как внедрение агента помогает контролировать качество контекста, снижать галлюцинации LLM и экономить на стоимости инференса.

Артём Снегирев

R&D B2C

Руководитель направления

Обработка видео LLM с экономией на контексте

О чём доклад?

Расскажем как мы учили обрабатывать LLM длинные и сверхдлинные видео экономя на контексте модели без переполнения памяти.

Никита Сидоров

Vision R&D

Руководитель направления

Омнимодальная долгосрочная память

О чём доклад?

— Разберем основные подходы для текстовой памяти, которые существуют сейчас (покажем 3-5 подходов к памяти которые есть сейчас). Покажем их слабые и сильные стороны.
— Покажем как подходить к задаче памяти в задачах LongVideoUnderstanding (эксперименты с WorldMM)
— Покажем как работает наш пайплайн для долгосрочной памяти в роботах (m3 — подобное решение).

Андрей Безбородов

Долгосрочная память

ML инженер

Optimal Cognitive Core: умные, эффективные и надёжные малые языковые модели

Андрей Галичин

Передовой агентный интеллект Института AIRI

Руководитель группы

От слов к виджетам: расширение языка LLM-коммуникации

О чём доклад?

LLM-ассистенты переходят от текстовых ответов к интерактивным интерфейсам, создаваемым под конкретный запрос. Это меняет привычный принцип «одного окна» в пользовательских приложениях и дает пользователю инструмент для анализа, проверки гипотез и выполнения задач. Однако ключевая проблема — не в самой генерации виджетов, а в их функциональной и смысловой корректности. В докладе обсудим, как добиться не просто красивого, а полезного и работающего интерфейса.

Ирина Пионтковская

XAgents

Руководитель направления

ИИ агент для бизнес задач

О чём доклад?

Расскажу, как мы сделали универсального агента, на базе которого одинаково удобно создать как личного ассистента на десктопе, так и AI-ресерчера или бэкграунд бизнес-агента в облаке. Как мы используем его в личных целях и в пром-процессах Сбера.

Александр Брут-Бруляко

GigaCode R&D

Руководитель направления

«Я его слепила из того, что было». Как рождается иммерсивный опыт

О чём доклад?

Доклад посвящен:
1. Иммерсивность — это следствие не сложности конкретной технологии, а правильное сочетание нескольких более простых. Её можно создать на любом стеке.
2. Мы привыкли думать, что сначала нужна мощная технология, а уже потом опыт. Наш аватар доказывает обратное: работающий иммерсивный прототип можно собрать и запустить в разы быстрее.
3. Главный вывод: не ждать идеального движка, а быстро выкатывать иммерсивные гипотезы к пользователям, получать отклик, а уже потом наращивать «сложность» на полученную фактуру.

Валентина Хлебутина

СPО NextGenAI

Менеджер продукта

Новые линейки русскоязычных бенчмарков

О чём доклад?

Доклад посвящён обзору новых линеек русскоязычных бенчмарков, вышедших в этом году. Мы расскажем, какие именно тесты появились, и главное — как их применять на практике: интегрировать в пайплайны разработки, использовать для реальных прикладных применений оценки моделей и как это помогает контролировать ваши модели и агентов на практике.

Алена Феногенова

AGI NLP

Исполнительный директор

Мал датасет, да дорог: почему экспертные данные стоят того, чтобы в них вкладываться

О чём доклад?

В докладе расскажу, почему часто одной синтетикой «сыт не будешь» и как качественные экспертные данные влияют на конечный продукт.

— Что первично — токены или экспертиза? Когда объём данных упирается в потолок и когда стоит подключать человеческий ресурс.
— Сила в единстве. Синтетика даёт объём, эксперт — качество: голден-примеры, анализ данных и методология генерации самой синтетики.
— Как знания эксперта превратить в управляемый ресурс. Недостаточно просто «отдать разметчикам» — необходимо спроектировать сами данные, методологию их создания и критерии оценки, отталкиваясь от продуктовой задачи: что модель должна уметь для пользователя и какую задачу мы решаем. Инструкции, гайдлайны, шаблоны, лингвистический анализ, контроль качества разметки — инструменты для управления ресурсом.
— Что делать, если не знаешь, что делать. Самые частые задачи — без готового рецепта: нет данных, нет критериев, непонятно, что «хорошо». Покажу, как мы подступаемся к неопределённости: идём от продуктовой задачи, собираем голден-сеты, через экспертный и лингвистический анализ вытаскиваем структуру (таксономию, критерии) — и превращаем туман в воспроизводимый процесс.
— «Починить быстрее и дешевле». Почему чаще выгоднее найти системную ошибку в данных и устранить её, чем перебирать модели.
— Реальные кейсы.

Анна Костикова

R&D Run

Руководитель направления

Решения на основе фотоники для растущих AI нагрузок

О чём доклад?

Расскажем про альтернативные устройства для интерфейса нейросетей на основе фотоники.
Какие бывают виды интерконнекта на основе фотоники, как улучшить связность современных центров обработки данных для задач ИИ.

Дмитрий Соломенцев

Центр квантовых технологий

Технический директор, кандидат физико-математических наук

Как модель выбирает точку зрения, обучаясь на противоречивых данных

О чём доклад?

Когда у одной задачи в обучающих данных есть и верный, и неверный ответ, модель вынуждена «выбрать сторону» — и мы показываем, по какому принципу она это делает. Выбор определяется не истинностью, а сжимаемостью: модель склоняется к той версии, которую проще описать компактным правилом. Обучив трансформеры от 3.5M до ~1B параметров на контролируемых корпусах, мы демонстрируем, что случайные, разрозненные ошибки проигрывают правде, а одна внутренне согласованная ложная теория оказывается для модели столь же «удобной», как истина. В докладе разберём, как структура противоречий управляет финальной точкой зрения модели, и что из этого следует для безопасности и курирования данных.

Константин Крестников

GenAI, GigaChain

Управляющий директор СБЕР, СТО

Страх и ненависть в LangGraph: почему все пишут свои МАС

О чём доклад?

LangGraph решает оркестрацию, но не решает управление сложностью. Рост числа агентов, состояний и переходов быстро превращает workflow в трудно сопровождаемый distributed-monolith. Большинство команд пишут собственные MAS-платформы вроде gMAS ввиду отсутствия production ready решений для observability, governance, memory management и versioning. LangGraph отлично подходит для прототипов и агентных пайплайнов, но при масштабировании возникают требования к агентским протоколам, безопасности, отказоустойчивости и управлению жизненнным циклом. Реализация собственного суверенного аналога LangGraph, предназначенного непосредственно для решения проблем enterprise-уровня - важная задача в рамках развития технологий.

Keywords: LangGraph; AI; multi-agent systems.

Владислав Тишин

AGI, СберТех

Ведущий исследователь данных

Агенты-разведчики: ищем обучающие данные в хранилище без каталога

О чём доклад?

Доклад про создание команды LLM-агентов, которые сами обходят объектное хранилище без каталога, составляют карточки датасетов и ведут учёт обучающих данных по этапам трейна полнодуплексной речевой модели. Разведка, контроль качества и ответ на «сколько данных, какие и как подключить» — всё через чат с агентами.

Максим Метальников

R&D Wave

Исполнительный директор

Где это видано, где это слыхано: управляемые FullDuplex модели

О чём доклад?

Пройдёмся по тому, что в Speech-to-Speech делают OpenAI, ElevenLabs и остальные, на каком этапе развития все находятся. Покажем Duplex по-Сберовски — нашу FullDuplex модель: диалог в реальном времени, модель слушает и отвечает одновременно. Расскажем как мы научились ей рулить: текстовый системный промпт, voice cloning через аудио-промпт, обучение кодека Mimi под русский, oracle stream. И почему по умолчанию такая модель ведёт себя неуправляемо и как сделать из нее production-ready голосового ассистента.

Данило Малбашич

R&D Wave

Старший эксперт по технологиям

Артемий Таразанов

R&D Wave

Руководитель направления

Как научить модель думать по-человечески?

О чём доклад?

Доклад посвящён ограничениям современных рассуждающих моделей и способам их обхода. Мы рассмотрим архитектурные подходы и методы обучения, которые позволяют улучшать качество рассуждений и эффективность моделей, обсудим их сильные стороны и возникающие компромиссы. Также поделимся выводами и интересными наблюдениями из собственных экспериментов и попробуем заглянуть в то, каким может стать следующее поколение reasoning-систем.

Инесса Фёдорова

R&D NLP Reasoning

Руководитель направления

ИИ для ускорения научных открытий

Екатерина Муравлева

Центр «ИИ для науки»

Исполнительный директор по исследованию данных

LLM для работы с событийными данными

О чём доклад?

Как заставить LLM понимать транзакции, логи и временные ряды;
почему прямое применение LLM к событийным данным неэффективно;
механизмы памяти и retrieval для превращения хаоса сырых данных в проверяемые факты;
применение в антифроде, персонализации и риск-аналитике.

Максим Макаренко

Sber AI Lab

Исполнительный директор

Расписание

Трек: Продуктизация R&D

Трек: ML & Research

Практики из первых рук

Займи своё место

Как это было в прошлом году

AI R&D DAY 2026 — конференция для исследовательских команд и создателей ИИ-систем

Расписание

Трек: Продуктизация R&D

Трек: ML & Research

Практики из первых рук

Займи своё место

Как это было в прошлом году

Мы используем файлы cookie

Тренды в ML

Автономный универсальный агент для повышения эффективности сотрудников Сбера

VideoGen как основа Physical AI систем

GreenVLA: новые возможности в Physical AI

Панельная дискуссия. Ждут ли нас радикальные инновации в больших моделях в следующие 5 лет?

Скорость без компромиссов: современные архитектуры эффективных LLM

Новые физические модальности для ИИ: запах и тактильность

Эффективный контекст для генеративных систем: как мы обучали поискового агента

Обработка видео LLM с экономией на контексте

Омнимодальная долгосрочная память

Optimal Cognitive Core: умные, эффективные и надёжные малые языковые модели

От слов к виджетам: расширение языка LLM-коммуникации

ИИ агент для бизнес задач

«Я его слепила из того, что было». Как рождается иммерсивный опыт

Новые линейки русскоязычных бенчмарков

Мал датасет, да дорог: почему экспертные данные стоят того, чтобы в них вкладываться

Решения на основе фотоники для растущих AI нагрузок

Как модель выбирает точку зрения, обучаясь на противоречивых данных

Страх и ненависть в LangGraph: почему все пишут свои МАС

Агенты-разведчики: ищем обучающие данные в хранилище без каталога

Где это видано, где это слыхано: управляемые FullDuplex модели

Как научить модель думать по-человечески?

ИИ для ускорения научных открытий

LLM для работы с событийными данными