Yandex for ML
Open in Telegram
💙Канал для ML-сообщества от Яндекса и место встречи специалистов в сфере анализа данных. Чат→ https://t.me/+XR1fd2QNnaIxNTUy Вопросы: @Ekaterina_Lyagina Все каналы по стекам: https://t.me/addlist/Hrq31w2p1vUyOGZi
Show more📈 Analytical overview of Telegram channel Yandex for ML
Channel Yandex for ML (@yandexforml) in the Russian language segment is an active participant. Currently, the community unites 18 829 subscribers, ranking 549 in the Marketing & PR category and 35 068 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 18 829 subscribers.
According to the latest data from 07 September, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 177 over the last 30 days and by 7 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 20.03%. Within the first 24 hours after publication, content typically collects 9.36% reactions from the total number of subscribers.
- Post reach: On average, each post receives 3 771 views. Within the first day, a publication typically gains 1 763 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 23.
- Thematic interests: Content is focused on key topics such as llm, yandex, хабре, контекст, рассылка.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“💙Канал для ML-сообщества от Яндекса и место встречи специалистов в сфере анализа данных.
Чат→ https://t.me/+XR1fd2QNnaIxNTUy
Вопросы: @Ekaterina_Lyagina
Все каналы по стекам: https://t.me/addlist/Hrq31w2p1vUyOGZi”
Thanks to the high frequency of updates (latest data received on 08 September, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Marketing & PR category.
18 829
Subscribers
+724 hours
+447 days
+17730 days
Data loading in progress...
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
September '26
September '26
+71
in 1 channels
August '26
+290
in 3 channels
Get PRO
July '26
+268
in 0 channels
Get PRO
June '26
+235
in 5 channels
Get PRO
May '26
+454
in 5 channels
Get PRO
April '26
+323
in 0 channels
Get PRO
March '26
+597
in 4 channels
Get PRO
February '26
+348
in 2 channels
Get PRO
January '26
+262
in 2 channels
Get PRO
December '25
+464
in 4 channels
Get PRO
November '25
+697
in 6 channels
Get PRO
October '25
+484
in 7 channels
Get PRO
September '25
+781
in 8 channels
Get PRO
August '25
+341
in 5 channels
Get PRO
July '25
+222
in 4 channels
Get PRO
June '25
+293
in 3 channels
Get PRO
May '25
+632
in 1 channels
Get PRO
April '25
+419
in 5 channels
Get PRO
March '25
+423
in 4 channels
Get PRO
February '25
+391
in 6 channels
Get PRO
January '25
+240
in 1 channels
Get PRO
December '24
+298
in 7 channels
Get PRO
November '24
+284
in 4 channels
Get PRO
October '24
+480
in 4 channels
Get PRO
September '24
+872
in 4 channels
Get PRO
August '24
+667
in 2 channels
Get PRO
July '24
+289
in 3 channels
Get PRO
June '24
+211
in 0 channels
Get PRO
May '24
+582
in 3 channels
Get PRO
April '24
+933
in 4 channels
Get PRO
March '24
+363
in 4 channels
Get PRO
February '24
+2 451
in 2 channels
Get PRO
January '24
+182
in 3 channels
Get PRO
December '23
+271
in 4 channels
Get PRO
November '23
+159
in 8 channels
Get PRO
October '23
+458
in 1 channels
Get PRO
September '23
+1 746
in 0 channels
Get PRO
August '23
+687
in 0 channels
Get PRO
July '23
+350
in 0 channels
Get PRO
June '23
+68
in 0 channels
Get PRO
May '23
+106
in 0 channels
Get PRO
April '23
+205
in 0 channels
Get PRO
March '23
+100
in 0 channels
Get PRO
February '23
+567
in 0 channels
Get PRO
January '23
+16
in 0 channels
Get PRO
December '22
+205
in 0 channels
Get PRO
November '22
+383
in 0 channels
Get PRO
October '22
+36
in 0 channels
Get PRO
September '22
+800
in 0 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 08 September | +3 | |||
| 07 September | +11 | |||
| 06 September | +6 | |||
| 05 September | +8 | |||
| 04 September | +11 | |||
| 03 September | +8 | |||
| 02 September | +6 | |||
| 01 September | +18 |
Channel Posts
+8
☂️ ML в моде при любой погоде
Всем привет, это Саша Южаков, СТО Яндекс Погоды. В 2013 году я отправил резюме в Яндекс и переехал в Екатеринбург. В итоге меня взяли фронтендером. Я сделал ровно одну задачу в этой роли, а потом ушёл в инфраструктуру и бэкенд, которыми занимаюсь до сих пор.
👷 В карточках я рассказал, какой путь я прошёл, прежде чем стать руководителем, как Погода стала пионером ML и над какими задачами мы работаем сейчас, чтобы прогноз становился точнее.
🔳 А полный материал читайте по ссылке: там я делюсь деталями, которые не поместились в карточках, и объясняю, что значит быть руководителем на самом деле.
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML
| 2 |  🔗 Аналитическая геометрия на чипсах, end-to-end вместо каскада кандидатогенераторов и агент в оценке качества товаров. Всё это и многое другое — в новом ML-дайджесте
🚕 Куда сходить
⚪️ 5 сентября — deep tech night. Уже сегодня погрузимся в технологии на масштабной онлайн-конференции Яндекса и обсудим вызовы, с которыми сталкивается IT-индустрия в эпоху AI. Успейте зарегистрироваться — ссылку на трансляцию пришлём на почту сразу после регистрации
⚪️ 26 сентября — Data Driven. Приглашаем аналитиков и всех, кто работает с данными, на флагманскую конференцию от бизнес-группы Поисковых сервисов и ИИ. В этом году сделаем акцент на будущем и поговорим о том, какой станет аналитика, когда данные и AI будут неразделимы
🌎 Что случилось
⚪️ AI в Яндексе: главное за август. Рассказали, где искусственный интеллект Яндекса нашёл себе новые применения: в школах, поликлиниках и других локациях
📖 Что почитать
⚪️ От аналитической геометрии на чипсах к поиску трендов в ML. Валя Бронер, руководитель ML-направления в ШАДе, рассказала, в какой момент полюбила преподавать, почему ушла в ШАД из университета и как ML-разработчики помогают создавать образовательную программу и делать её актуальнее
⚪️ Sona: end-to-end vs каскад кандидатогенераторов. Рассказали, как создали одну совместно обучаемую модель вместо всего рекомендательного стека Яндекс Музыки. Внутри: масштабируемая архитектура, новый движок рекомендаций и единая модель кандидатогенерации и ранжирования
⚪️ Как мы расчищали «серую зону» в Поиске по картинкам. Для этого научили модели смотреть на картинку и читать текст документа одновременно: начали с тяжёлой мультимодальной VLM ради максимального качества, а затем дистиллировали её в набор лёгких моделей
⚪️ Агент в оценке качества товаров. В рубрике «Обучено Яндекс Лавкой» рассказали, как мы обрабатываем жалобы пользователей на качество товара в доставке, чем нам помогает AI-агент и как мы научили его отвечать честно
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 2 418 |
| 3 |  🤔 Лемур или почти лемур: как Поиск по картинкам научился отличать одно от другого
Привет, это Константин Николаев, я занимаюсь внедрением нейротехнологий в Поиске по картинкам в Яндексе. Раньше релевантность картинки в поисковой выдаче мы оценивали по двум независимым сигналам: насколько запросу подходит изображение и насколько — текст рядом с ним.
Это помогает не путать между собой похожие объекты — например, разные виды животных или похожие модели автомобилей. У подхода есть и слабое место: когда текстовый сигнал расходится с картиночным, непонятно, как свести оценки в один скор. Например, при запросе «лемур» система может принять похожего зверька за настоящего лемура просто потому, что в подписи есть нужное слово.
🅿️ Мы научили модели анализировать изображение и текст документа одновременно
Сначала собрали тяжёлую мультимодальную VLM ради максимального качества, а затем дистиллировали её в набор лёгких моделей — по одной под каждую стадию пайплайна. Решение довели до realtime-поиска с десятками тысяч запросов в секунду, а совместный анализ модальностей добавил 5% релевантных картинок в топ выдачи.
🔳 На Хабре мы подробно разобрали весь путь от тяжёлой VLM до лёгких продакшен-моделей. В статье рассказываем:
⚪️ Что такое «серая зона» и почему из-за неё поиск иногда путает похожих зверей и предметы
⚪️ Как устроена совместная VLM-модель и чем vBERT отличается от неё по скорости
⚪️ Как дистиллировали vBERT в bi-encoder, embedder и light cross-encoder под разные стадии ранжирования
⚪️ Какой прирост релевантности получили в топе выдачи
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 2 659 |
| 4 |  🚀 Погружаемся в технологии на deep tech night
Уже 5 сентября пройдёт deep tech night — масштабная онлайн-конференция Яндекса о технологических вызовах, с которыми IT-индустрия сталкивается в эпоху AI: от изменений в разработке до новых требований к архитектуре и инфраструктуре.
Это событие для ML-разработчиков, бэкендеров, фронтендеров, тимлидов, аналитиков, продактов и всех, кто работает в IT-индустрии, внедряет AI в процессы, проектирует сложные системы и ищет новые решения.
🔥 Вас ждут темы от инфраструктуры и железа для нейросетей до AI-агентов и внедрения AI в разработку и два формата:
⚪️ Hard — доклады о сложных и масштабных задачах для тех, кто хочет вдумчиво разобраться в технической стороне сферы.
⚪️ Experiment — лайтнинги и интерактивные кейсы об экспериментах с AI-агентами, новых подходах и продуктовых находках. Для всех, кому интересно пробовать новое и следить за трендами.
Среди спикеров — Мо Гавдат, десять лет руководивший бизнес-развитием в Google X, Алексей Гусаков, CTO Поисковых сервисов и ИИ, Сергей Мельник, руководитель сервиса Автономного транспорта и роботов, и другие эксперты из Яндекса и других IT-компаний.
🧿 Чтобы подключиться к онлайн-трансляции, нужна предварительная регистрация. Она также даст возможность задать вопросы экспертам в прямом эфире и первыми посмотреть запись после события.
🔳 Смотрите полную программу и регистрируйтесь на deep tech night.
До встречи!
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 2 859 |
| 5 |  🧿 Одна модель вместо всего рекомендательного стека Яндекс Музыки
Привет, это Николай Савушкин, руководитель службы рекомендательных технологий Яндекс R&D. В августе мы опубликовали Sona Technical Report — результат года нашей работы над новой генеративной end-to-end-моделью рекомендаций.
Раньше все рекомендации в Музыке проходили через многоступенчатый каскад: отбором занимались больше 15 кандидатогенераторов, а затем в дело шли отдельные модели преранжирования и ранжирования с сотнями признаков.
↔️ В Sona всё это удалось объединить в одной совместно обучаемой модели. Вот три кита, на которых она стоит:
⚪️ Масштабируемая архитектура
Encoder-decoder, обучающийся хронологически на задачу Next Token Prediction без единой ручной фичи. Одной из самых сложных частей было сделать рецепт токенизации, который бы обеспечивал рост качества при росте словаря и числа токенов на документ.
⚪️ Единая модель кандидатогенерации и ранжирования
OneRec ранжирует кандидатов отдельной моделью, причём с использованием ручных фич. Мы же стремились к совместному рецепту обучения и инференса. Проблема в том, что задача ранжирования слишком спарсовая и модель просто не обучается выполнять её достаточно хорошо. Решение — сжать год данных в ранжирующую модель, обучающуюся авторегрессивно, и дистиллировать эти знания в совместную модель.
⚪️ Инфраструктура обучения и инференса
Любые большие изменения в ML приводят к настолько же большим изменениям в инфраструктуре. Нам пришлось фактически построить новый движок рекомендаций с нуля. Очень важной компонентой стало онлайн-обучение: end-to-end-путь события от возникновения до обновления модели в инференсе укладывается в 1 час в 99% случаев.
↔️ К каким результатам мы пришли
Мы уже экспериментировали с unified-архитектурами, которые объединяют генерацию кандидатов и ранжирование, но Sona стала полноценной end-to-end-моделью, которая заменила весь каскад в A/B-тестах. Мы получили рост:
⚪️ +4,53% Active Users — основная метрика эксперимента
⚪️ +6,30% Total Listening Time — общее время прослушивания
⚪️ +11,42% Likes — количество лайков
Новая архитектура одновременно упрощает систему и заметно улучшает рекомендации на реальном пользовательском трафике. Причём этот рост мы получили поверх улучшений от предыдущих внедрений, которые оставались в контрольной выборке в продакшене.
🔳 19 сентября на Practical ML Conf я подробнее расскажу, как мы создавали Sona, поделюсь сложностями, с которыми мы столкнулись в процессе, и покажу, как нам удалось их преодолеть. До встречи!
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 3 064 |
| 6 |  🎓 Как преподаватель математики стала руководителем ML-направления в ШАДе
Привет, это Валя Бронер. Я 11 лет преподавала студентам математику в Томском государственном университете, а затем перешла в бигтех. Последние три года я руковожу ML-направлением в ШАДе Яндекса и создаю курсы по машинному обучению.
Сегодня я расскажу, что мне нравится в преподавании, почему решила уйти из вуза в ШАД и как ML-разработчики помогают мне создавать актуальную программу в одной из самых динамичных современных индустрий.
🅿️ Всё началось ещё в магистратуре
Однажды я заменяла преподавателя на курсе матанализа. Объясняла тему и вдруг, прямо посреди семинара, чётко осознала её место в общей структуре предмета. Картинка будто сложилась целиком, и я испытала такой восторг, что захотела одного: чтобы мои студенты чувствовали то же самое.
Так я поняла, что мы с образованием друг друга любим. И сейчас я уверена, что, как бы ни менялась траектория моей жизни, она всегда будет с ним связана.
🅿️ 11 лет преподавала на любимой кафедре
Я работала в ТГУ на творческой кафедре теории вероятностей и математической статистики: здесь все делали и продолжают делать больше, чем от них ожидается. Вместе с коллегами мы организовывали конференции, занимались наукой, экспериментировали с подходами к преподаванию и старались сделать занятия понятными, осязаемыми и наглядными.
Например, на курсе аналитической геометрии, чтобы студенты лучше понимали сечения поверхностей и тел, мы демонстрировали их на овощах, фруктах и даже чипсах. Ломтик Pringles — это гиперболический параболоид, разрезанный огурец — модель цилиндра, картошка — эллипсоид. А после занятий студенты съедали наглядные пособия и были всем довольны.
🅿️ Но в университете мне становилось тесно
Что-то кардинально менять я могла только в рамках кафедры, и мне не хватало кого-то, кто бы поддержал мои сумасшедшие идеи в большом масштабе.
Окончательно уйти из вуза решила после ковида. Я обожала живое взаимодействие со студентами, но все перешли на удалёнку, и общения очень не хватало. А когда карантин закончился, студенты привыкли быть аватарками в зуме и просто молча писали конспекты. Это был очень тяжёлый опыт.
Когда я решила расстаться с вузом, один из моих студентов-дипломников передал моё резюме руководителю Академии Яндекса. А через месяц после собеса я переехала в Москву и начала работать в ШАДе.
🅿️ С ML я познакомилась ещё до Яндекса
Когда я работала в ТГУ, ко мне обратилась студентка, которая хотела писать диплом по ML. Это не было моей специализацией, но я согласилась стать её научруком: вместе мы разобрались в теме, и студентка успешно защитилась.
Со временем ML стал частью моей работы, но я всё равно остаюсь математиком, а не разработчиком. Математический бэкграунд помогает мне разбираться в техническом содержании, а преподавательский опыт — понимать студентов и преподавателей.
🅿️ Теперь я шуршу по Яндексу и ищу идеи для новых курсов
Одна из моих задач в ШАДе — следить за актуальностью ML-программы и развивать её. Поэтому я хожу в разные ML-команды, зову разработчиков на кофе и спрашиваю, чем они занимаются, что интересного происходит в их области и что обсуждают на конференциях. Часто ребята приходят к нам с идеями сами: так было с курсом по рексистемам, который полностью пересобрали тимлид из Лавки и его команда.
Потом я собираю или пересматриваю программу, решаю, какой курс будет внутри неё, и приношу ML-разработчикам на уточнение, а параллельно ищу преподавателя, который будет вести курс. Затем — запуск, занятия и сбор фидбэка от студентов.
Есть и особый формат курсов — открытые интенсивы на широкую аудиторию. Тут я тоже решаю много задач: ищу темы, подбираю команды, готовлю преподавателей к съёмкам и взаимодействую с аудиторией.
🔳 Читайте мою историю целиком в блоге о работе в Яндексе. Там я рассказала, кто помогает мне в проектах, почему мне нравится курировать студентов и какими образовательными проектами я занимаюсь помимо ШАДа.
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 3 093 |
| 7 |  📎 Найти баланс между ресёрчем и инженерией
Всем привет, это Никита Корягин, ML-инженер в команде алайнмента Alice AI. До того как устроиться в Яндекс, я довольно много занимался ресёрчем: экспериментировал с моделями, писал статьи, публиковался на конференциях. Такой формат мне всё ещё очень близок, но в какой-то момент я захотел получать больше практической отдачи от работы: увидеть, как идея доезжает до реальной модели и начинает влиять на пользовательский опыт.
🅿️ Поэтому я решил попробовать Weekend Offer ML
Из нескольких вариантов я выбрал команду алайнмента Alice AI. Мне было интереснее заниматься тем, что происходит с моделью уже после базового обучения: как научить её лучше рассуждать, отвечать на сложные запросы и в целом делать её полезнее для пользователя.
🅿️ Сейчас я в основном занимаюсь посттрейном reasoning-моделей
Работаю с reward-сигналами, думаю над тем, как лучше оценивать сложные ответы и как использовать эту оценку для обучения. Это особенно важно для non-verifiable-задач, где нет простого способа автоматически проверить правильность ответа — например, когда модель должна хорошо объяснить, сравнить варианты или помочь с открытым вопросом.
На практике от качества такой оценки напрямую зависит, чему именно модель научится в процессе post-training и станет ли её ответ полезнее. Представим ситуацию: пользователь просит модель помочь выбрать место, куда поехать в отпуск. В одном ответе — полотно текста про все страны в мире, в другом — пара уточнений и конкретный вариант под них. Мы награждаем модель за второе, и она учится рассуждать так, чтобы её ответы реально помогали пользователю.
🅿️ Граница между ресёрчем и инженерией стала гораздо менее чёткой
Можно взять идею из свежей статьи, быстро проверить её на своих задачах, понять, где она ломается, переделать и довольно быстро увидеть эффект уже на реальной модели. Для меня это как раз хороший баланс между ресёрчем, которым я занимался раньше, и практической работой, которую я хотел найти.
Но есть и различия. В исследовании часто приходится долго разбираться с одной красивой гипотезой. В продуктовой работе приходится сильнее думать о цене эксперимента — например, что именно мы хотим проверить, какой минимальный эксперимент даст ответ и насколько результат вообще масштабируется.
🔳 Кстати, с 11 по 12 сентября пройдёт новый Weekend Offer ML. Коллеги ищут ML- и DL-инженеров с опытом от двух лет в доменных областях NLP, CV, RecSys и Classic ML. Регистрируйтесь до 4 сентября 23:59, пройдите две технические секции и ловите офер, если всё будет успешно.
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 3 890 |
| 8 |  🍫 Как мы читаем даты изготовления с фотографий
На связи Роман Шинкаренко, я разработчик в службе AI-сервисов Лавки. В новом посте рубрики «Обучено Яндекс Лавкой» расскажу, как мы обрабатываем жалобы пользователей на качество товара в доставке. В процессе обсудим, как нам в этом помогает AI-агент и как мы научили его отвечать честно.
🅿️ Поддержка заводит тикет с тегом и фотографиями
Сотрудник техподдержки открывает фото, ищет на упаковке дату изготовления, сверяет товар с паспортом качества и выбирает причину брака из таблицы. Затем он проставляет уровень последствий и определяет, кто виноват: склад, поставщик или курьер.
🅿️ Затем тикет разбирает агент
Внутри — граф из 27 нод: маршрутизация по тегу поддержки, отдельные ветки под ОФЯГ (овощи, фрукты, ягоды, грибы) и неОФЯГ, VLM, OCR, классификация, проверка на массовость дефекта, простановка полей и переход тикета.
Но когда мы тестировали модель, самым тяжёлым узлом в этом графе оказалась на первый взгляд простая задача — прочитать дату изготовления с фотографии.
🅿️ Когда модель не могла ответить точно, она додумывала
VLM всегда читает дату с картинки, даже если она смазана, стёрлась с плёнки или обрезалась кадром. Модель не ответит «непонятно» или «я не могу разобрать», а дорисует недостающие цифры сама. Ответ будет правдоподобный и в правильном формате, а отличить его от настоящего невозможно: 2025-07-12 выглядит ровно как 2025-01-12.
Причину видно на бенчмарках: если убрать у текста языковую структуру и подать строки из случайных букв, точность распознавания падает примерно с 90 до 20%. Большая часть чтения была угадыванием по языковой статистике. Модель работает автокорректором: видит ayreadl — уверенно выдаёт already.
Формат даты с цифрами ломает этот механизм. В дате 12.05.25 шесть почти равновероятных чисел. Ни одна не предсказывается из соседних, опереться не на что, и ошибку нечем поймать. В слове «молоко» опечатку исправит контекст, а неверная цифра остаётся валидной датой. Цена высокая: от даты зависят расчёт срока годности, поиск виновного и порог массовости.
🅿️ Как мы это вылечили
Стали задавать каждой модели только тот вопрос, на который она отвечает честно: есть число или нет. VLM находит среди фото нужный товар по описанию из тикета и решает, видна ли на кадре читаемая дата. Извлекать значение ей запрещено прямо в промпте: наличие даты — грубый признак, он переживает сжатие картинки, а сами цифры — нет.
Значение достаёт классический инструмент OCR из OCR Tools. Он не пытается понять, что написано, вместо этого он разбирает картинку на символы, и додумывать ему нечего. Фото с датой уходят в два разных движка распознавания, и цифры мы принимаем,
только если оба вернули одно и то же.
🔛 А дальше четыре варианта:
⚪️ Дата найдена
⚪️ Даты на фото нет
⚪️ Движки прочитали по-разному
⚪️ Дата видна, но не читается
Последние три — разные причины, и агент реагирует на каждую по-своему.
🅿️ Чего удалось достичь
Половина фотографий в тикетах вообще не содержит даты: клиент снимает сам товар, а не маркировку. На таких кадрах модель тоже часто выдумывала значения. Гейт снимает их до распознавания, и с этой задачей VLM справляется отлично: recall 0,99. Найти нужный товар по описанию и оценить, есть ли на кадре дата, ей вполне по силам, так что и выдумывать оказывается нечего.
Per-ticket accuracy выросла с 84 до 95%. 84% — это OCR Tools без гейта, 95% — с ним; считаем по тикету целиком, а не по отдельному фото. А сложные случаи агент не додумывает, а отдаёт оператору.
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 3 705 |
| 9 |  ⭐️ Продолжаем рассказывать про спикеров
19 сентября встретимся на Practical ML Conf — хардовой конференции по практическому применению ML в бизнесе. В программе будет буквально всё: доклады и keynotes, дискуссии, много нетворкинга и отдельная зона с сервисами Яндекса, где можно участвовать в активностях, узнавать про технологии и получать подарки.
Продолжаем знакомить вас со спикерами конференции. В прошлый раз рассказали про экспертов Яндекса, сегодня — про инженеров из бигтехов:
⚪️ Дмитрий Веснин, старший ML-разработчик Авито. Объяснит, как развивали item-энкодер в своей модели: заменили DCN трансформерной архитектурой, стабилизировали обучение и оптимизировали производительность.
⚪️ Никита Ермолаев, руководитель команды инфраструктуры обучения Text LLM в GigaChat, SberDevices. Расскажет, как масштабировали инфраструктуру Online RL для своих MoE-моделей и с какими реальными проблемами столкнулись.
⚪️ Станислав Илюшин, старший инженер Huawei. Поговорит о диффузионном драфтинге в спекулятивном декодинге: DFlash и DSpark — от модели до вывода в продакшен.
⚪️ Александр Мисевич, руководитель Group Of Efficient Runtime & Inference в AI Platform & Copilot, Т-Банк. Поделится, как команда строит инфраструктуру для массового инференса LLM в компании, а также внутренними процессами, которые позволяют быстрее выводить LLM в продакшен.
⚪️ Антон Разжигаев, старший научный сотрудник FusionBrain Института AIRI, руководитель группы «Интерпретируемый ИИ». Расскажет про Ouroboros — действующего экспериментального агента, который обошёл Codex, Claude Code и Cursor.
🔛 Программа пополняется, актуальный список докладов смотрите на сайте.
🔳 А ещё лучше — регистрируйтесь на Practical ML Conf и подписывайтесь на канал конференции, тогда вы точно будете в курсе всех апдейтов и активностей. Встретимся офлайн в Москве или онлайн из любой точки мира!
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 3 716 |
| 10 |  🥹 Как добавить в умную колонку новые команды и ничего не сломать
Чтобы начать взаимодействовать с умной колонкой, не обязательно говорить активационное слово «Алиса». Вместо этого можно использовать быстрые команды — короткие фразы, с помощью которых можно управлять музыкой, громкостью или умным домом. Например, чтобы переключить трек, достаточно сказать «дальше», а чтобы убавить звук — «тише».
Такие команды делают жизнь проще и пользователям, и системе: запросы через слово «Алиса» требуют обращения к модели распознавания речи ASR, которой необходимы серверные вычислительные ресурсы из-за её размера. Модель быстрых команд, напротив, устроена компактнее и работает прямо на устройстве. Правда, у этой медали есть обратная сторона: проблема масштабирования. Модель ограничена вычислительными ресурсами самой колонки — её CPU и оперативной памятью.
Со временем у нас появилась задача: добавить новые фразы «лайк» и «дизлайк» для управления треками, а также «включи блютус» и «выключи блютус». Но как сделать это так, чтобы ничего не сломать, не уронить качество на существующих командах и не увеличить потребление ресурсов на устройстве слишком сильно?
🅿️ Как можно решить эту задачу
Мы решили присмотреться к идее Parameter-Efficient Fine-Tuning. Обычно это семейство методов используют для тюнинга больших моделей под специфический домен, когда данных мало, а бюджет на вычисления сильно ограничен.
Но в своём классическом виде те же адаптеры или популярный LoRA вмешиваются во внутренние активации слоёв. Из-за этого их пришлось бы натаскивать сразу на две задачи: учить новые команды и параллельно следить, чтобы модель не забыла старые. Но выход есть — можно запустить две параллельные ветки вычислений:
⚪️ Первая остаётся полностью замороженной. Она сохраняет старые активации и логиты старых фраз, гарантируя прежнее качество
⚪️ Вторая получает новые обучаемые веса и натаскивается исключительно на новые команды
Однако здесь возникает другой нюанс: нужно уменьшать размерности ветки новых команд, чтобы не сильно растить нагрузку на память и CPU. Если переборщить со сжатием, модель просто не сможет вытащить из урезанных активаций ничего полезного.
🅿️ Нужно было найти компромисс
Решение получилось следующее: с определённого слоя оригинальной модели мы отводим параллельную ветку, забираем туда активации замороженного слоя, а внутри считаем небольшой добавочный вектор, который конкатенируем на каждом последующем шаге.
🅿️ В итоге:
⚪️ Новые слои имеют прямой доступ к активациям старой модели
⚪️ Модель учится распознавать новые команды и не тратит ёмкость на удержание старого контекста
⚪️ Мы полностью контролируем размерность новых слоёв и подгоняем её под лимиты железа
🔳 А в статье на Хабре мы рассказали:
⚪️ Откуда мы берём данные для обучения
⚪️ Почему нам не подошли существующие подходы PEFT и continual learning
⚪️ Каких результатов удалось достичь в цифрах
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 3 492 |
| 11 | 📕 Делимся главными статьями ICRA 2026, генерируем и редактируем картинки в одной модели и внедряем AI в Лавку. Всё это и многое другое — в новом дайджесте Yandex for ML
🚕 Куда сходить
⚪️ 5 сентября — deep tech night. Уже поделились первыми спикерами и их докладами: обсудим переход к генеративным моделям в RecSys, Physical AI, инфраструктуру RL-обучения, современную архитектуру NPU и другие вызовы IT-индустрии в эпоху AI
⚪️ 9 сентября — Data Dojo в Санкт-Петербурге. Приглашаем дата-самураев, которые уже владеют основами ML и хотят двигаться дальше. Здесь мы обсудим тренды, разберём реальные задачи из соревнований и поделимся прикладными кейсами
⚪️ 12–13 сентября — Weekend Offer ML. Это формат быстрого найма для ML-специалистов. Приглашаем за выходные пройти все этапы собеседований, познакомиться с командами и затем получить офер, если всё пройдёт хорошо
⚪️ 19 сентября — Practical ML Conf 2026. Хардовая конференция для экспертов и практиков. В программе: экономически эффективный инференс LLM, Agentic Vision, query-based-модель в автономном транспорте и end-to-end генеративная модель рекомендаций в Музыке
📖 Что почитать
⚪️ Alice AI ART 2.0: генерируем и редактируем. Рассказываем, как мы объединили генерацию по тексту и редактирование по картинке в одной модели, что пришлось изменить в архитектуре и как наше решение смотрится на фоне аналогов
⚪️ Главные итоги ICRA 2026. Команда Автономного транспорта Яндекса сделала обзор ключевых статей ICRA — одной из крупнейших конференций по робототехнике. Среди тем из разбора: Reinforcement Learning, генерация редких edge-кейсов, предсказание траекторий автономного транспорта и другие
⚪️ Как дела у AI в Лавке. Рассказываем о задачах службы AI-сервисов Яндекс Лавки и делимся итогами за прошедшие полгода: как мы построили инфраструктуру для агентов и при чём тут космолёты
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 3 687 |
| 12 |  🔎 Как мы объединили фичи картиночной Алисы
На связи команда генеративных моделей в компьютерном зрении Поисковых сервисов и ИИ. Вместе с коллегами мы делаем мультимодального ассистента «Алиса AI». У модели Alice AI ART, которая отвечает за визуальную генерацию, есть два базовых сценария:
⚪️ Text-to-Image (T2I) — генерация фото по текстовому описанию
⚪️ Image-to-Image (I2I) — редактирование по картинке с инструкцией
Всё это время эти сценарии жили как два разных стека: свои базовые модели, данные, метрики и своя отдельная боль в разработке и поддержке. Поэтому мы решили объединить их в одну модель, которая одинаково хорошо умеет и в T2I, и в I2I.
🅿️ Как мы проводили обучение
🔛 I2I-задача редактирования требует от модели понимания референса: входное изображение всегда содержит конкретный объект, который нужно сохранить, трансформировать или дополнить. Чтобы корректно применить инструкцию (например, «замени фон»), модель должна научиться точно кодировать визуальное содержимое и удерживать детали при генерации. Навык «читать картинку» напрямую улучшает и общее визуальное восприятие модели.
🔛 T2I-задача содержит промпты для генерации с нуля, и они, в свою очередь, подтягивают релевантность (соответствие картинки и текста). Так происходит, потому что они, как правило, детальнее editing-инструкций и описывают всё, что должно быть на изображении. Модель, которую обучили воспроизводить такие развёрнутые описания, вырабатывает более глубокое понимание языка и его связи с визуальными элементами.
А ещё через T2I у модели проще расширить понимание концептов: любой именованный или безымянный объект, персонаж, свойство или стиль, с которым можно сопоставить визуальное воплощение.
Ключевая особенность обучения uni-модели — общий для обеих задач претрейн. T2I- и I2I-данные перемешаны, чтобы визуальный и текстовый прайоры были едиными.
🅿️ Как мы провели показательный эксперимент
Взяли набор концептов, которые отсутствовали в наших данных для редактирования, но которые ранее собирались для T2I. Затем смешали данные и провели совместное обучение, а после проверили, что станет с I2I.
Результат оказался такой, на какой мы и надеялись: концепты, выученные из T2I, становятся доступны в редактировании по инструкции. Специфические запросы начинают работать без необходимости повторять работу по сбору узких срезов данных.
Так знания из генерации переносятся в режим редактирования: даже если модель уже что-то знала о концепте, его качество в editing улучшается.
📖 А в статье на Хабре мы рассказали:
⚪️ На каких метриках мы измеряем качество моделей
⚪️ Что изменилось в самой модели
⚪️ Что планируем реализовать в будущем
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 3 527 |
| 13 |  🍫 AI’изация Лавки: что мы построили и куда идём дальше
Привет! Меня зовут Алёна Зайцева, я руковожу службой AI-сервисов Яндекс Лавки. Ниже расскажу, чем мы занимаемся и что удалось сделать за прошедшее полугодие, а в следующих постах рубрики «Обучено Яндекс Лавкой» мои ребята подробнее расскажут о строительстве платформы, «космолётов» и конкретных агентов.
🅿️ Над чем мы работаем
Наша задача — системно перестраивать бизнес Лавки вокруг AI-first-подхода. Мы находим рутину, которую можно переложить с людей, строим агентные системы и замеряем эффект в FTE-gain. Это показатель, который отображает, сколько новых «виртуальных сотрудников» мы создаём для бизнеса каждым проектом.
🅿️ За прошедшее полугодие мы:
⚪️ Построили платформу, на которой живёт 40+ агентов. Получилась инфраструктура с интерфейсами, LLM-роутингом, тулами, оркестрацией и observability. Классического агента теперь можно довести от идеи до продакшена за пару дней
⚪️ Внедрили несколько десятков агентов и добавили свыше 100 виртуальных сотрудников Лавки. К примеру, мы запустили агента, который расследует пропавшие посылки, ассистента для мониторинга Лавок и курьерского фрода, а также AI-дежурного
⚪️ Много экспериментировали с архитектурами и подходами и получили опыт end-to-end-разработки AI-агентов: общались с бизнесом, искали точки оптимизации, обучали и внедряли ассистентов
🚀 А дальше — космолёты
Агенты, которые заточены под отдельные процессы, зачастую упираются в потолок: оптимизируешь один кусочек, а вокруг него всё ещё остаётся много ручной работы.
Следующий шаг — построить единую AI-систему на всю бизнес-функцию целиком с общим контекстом, единой точкой входа задач и AI-ядром. Такую схему мы называем космолётом: AI анализирует метрики, ставит задачи и исполняет их, а человек контролирует результат. Этот принцип мы уже пробуем в операционном управлении дарксторами, а в будущем планируем запустить пилоты в коммерции, маркетинге и на других задачах.
🔳 В следующих постах рубрики подробнее расскажем про свои проекты и заглянем под капот наших космолётов. Оставайтесь на связи!
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 3 661 |
| 14 |  📖 Обзор статей с ICRA 2026
С 1 по 5 июня в Вене прошла International Conference on Robotics and Automation (ICRA). Это главная международная конференция по робототехнике и автономным системам, и в этом году среди участников были ребята из команды Автономного транспорта Яндекса: Егор Волков, разработчик модели планирования движения, и Максим Спорышев, руководитель службы поведения и предсказания движения.
🔽 Собрали для вас самые крутые работы с конференции
🏆 Выбор жюри
⚪️ SymSkill: Symbol and Skill Co-Invention for Data-Efficient and Reactive Long-Horizon Manipulation. Интересный не ML-подход к манипуляционным задачам с большим горизонтом планирования
⚪️ OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction. Новый способ ретаргетинга для обучения роботов-гуманоидов на человеческих демонстрациях, который сохраняет пространственные отношения с объектами
⚪️ Do You Know Where Your Camera Is? View-Invariant Policy Learning with Camera Conditioning. Необычный кондишенинг на положения камер в VLA-моделях — тех, что переводят картинку и инструкцию в действия робота
⚪️ FindAnything: Open-Vocabulary and Object-Centric Mapping for Robot Exploration in Any Environment. Здесь речь идёт об exploration и mapping над пространством объектов. Робот ищет произвольный объект в неизвестной локации и по пути строит карту всего, что нашёл
🚙 Статьи об автономном транспорте
⚪️ Diffusion-guided Generalizable Enhancer for Urban Scene Reconstruction. Это работа от Waabi AI. Основная идея — взять диффузионные модели как генеративный prior и на нём дотянуть 3D-реконструкцию до устойчивости к экстраполяции
⚪️ AttBEV: Enhancing Multi-Modal 3D Object Detection with CBAM Attention in BEVFusion for Autonomous Driving. Attention BEV — развитие идеи BEV Fusion, то есть всё того же представления сцены сверху, но с прибавкой по метрикам на nuScenes, одном из основных бенчмарков в автономном транспорте
⚪️ TreeIRL: Safe Urban Driving with Tree Search and Inverse Reinforcement Learning. Авторы совместили два мира: алгоритмический и ML-планировщик. В качестве генератора траекторий-кандидатов используется Monte Carlo tree search, а для выбора лучшего кандидата — ML-модель. И это решение, которое уже в проде. Они действительно ездят на этой технологии по Лас-Вегасу
⚪️ Learning to Annotate Delayed and False AEB events: a Practical System for Extreme Class Imbalance and Asymmetric Label Noise. Решение задачи автоматической аннотации событий для системы автономного экстренного торможения — Automated Emergency Braking
⚪️ VL-DPO: Vision-Language-Guided Finetuning for Preference-Aligned Autonomous Driving. Авторы дообучают модель предсказания траекторий с помощью VLM. Сама VLM тут вспомогательный модуль, который выбирает лучшую траекторию из сгенерированных. Дальше этот преференс используется для формирования таргета в DPO-loss при обучении основной модели
🔳 Ещё больше интересных статей об автономном транспорте ищите на Хабре. Там мы также рассказали, какие воркшопы и доклады были на конференции, и поделились наблюдениями, которые мы оттуда увезли.
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 3 657 |
| 15 |  +5🔥 Делимся первыми спикерами на deep tech night
В карточках рассказываем, кто и на какие темы будет выступать на конференции 5 сентября. А чтобы получить доступ к эфиру, задать вопросы экспертам в прямом эфире и первыми посмотреть запись после события, зарегистрируйтесь на сайте.
🔳 Подробности о докладах и форма регистрации
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 4 693 |
| 16 |  ⚡️ Data Dojo возвращается — встреча ML-комьюнити в Питере
9 сентября в Санкт-Петербурге соберём тех, кто уже владеет основами ML и хочет двигаться дальше. Data Dojo — это живое общение с единомышленниками, разбор реальных кейсов от экспертов Яндекса и погружение в то, что происходит в ML прямо сейчас.
Если вы начинающий ML-специалист — это шанс войти в тусовку, познакомиться с трендами индустрии и получить карьерную консультацию. Если уже опытнее — возможность для нетворкинга.
Что в программе:
⚪️ Антон Клочков, руководитель группы ML-разработки Фотоинпута, расскажет, как они выкатили фичу, а потом откатывали её год
⚪️ Маргарита Мишустина, руководитель группы ранжирования Рекламы, покажет техническую эволюцию аукциона дизайнов, как оптимально группировать объявления для демонстрации пользователям и при чём тут химера
⚪️ Сергей Фиронов, ведущий разработчик службы поведения и предсказания департамента Автономного транспорта, разберёт задачи с соревнования Yandex ML Challenge
Как участвовать:
1️⃣ Подайте заявку до 26 августа, приложив резюме
2️⃣ Дождитесь результатов отбора 2–3 сентября
3️⃣ Приходите на встречу 9 сентября, если получите приглашение
↔️ Участие бесплатное. Проезд и проживание за свой счёт. Трансляции не будет — только офлайн.
Data Dojo — не разовая акция. Мы строим сообщество: сильное, открытое и любопытное. Здесь у каждого есть шанс стать лучше — и сделать лучше других.
🔳 Регистрация и подробности
🛄 Ждём вас!
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 5 604 |
| 17 | 🛎 Через час начинаем ML Global Recap
Вместе подведём ключевые итоги ICML и других международных конференций, поделимся своими инсайтами и выводами. Разложим по полочкам, что произошло в ML-индустрии за первое полугодие 2026 года.
В программе — доклады руководителей разных команд Яндекса:
⚪️ Артём Бабенко, руководитель Yandex Research, расскажет о развитии Tabular DL
⚪️ Дмитрий Мокеев, руководитель группы качества претрейна Alice AI в Яндекс Поиске, разберёт тренды и вызовы в ризонинге
⚪️ Иван Дёгтев, руководитель аналитики Alice AI LLM в Яндекс R&D, поделится новыми подходами и стандартами в оценке качества моделей
⚪️ Андрей Бежин, руководитель службы ML-инфраструктуры в Яндекс R&D, расскажет об оптимизации LLM-инференса
💻 Подключайтесь к онлайн-трансляции:
🔛 Яндекс Плеер
🔛 Ютуб
🛄 Ждём вас!
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 5 023 |
| 18 |  Video message | 3 762 |
| 19 |  +5📖 Что читают в команде ML Лавки?
В свободное время ML-разработчики читают статьи, каналы бизнес-юнитов Яндекса, книги по тайм-менеджменту и управлению креативными людьми и... бессмертную классику вроде «Анны Карениной»!
👷 В новом посте из рубрики «Обучено Яндекс Лавкой» собрали в карточках любимые книги или материалы, которые читают наши разработчики после работы. Рекомендациями поделились:
⚪️ Тимур Исхаков, ML-разработчик в логистике Лавки
⚪️ Марк Нарусов, ML-разработчик группы рекомендательных сервисов Лавки
⚪️ Руслан Кулиев, ML-разработчик Лавки
⚪️ Артур Ильичёв, лид группы рекомендательных и поисковых сервисов Лавки
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 4 156 |
| 20 |  ⭐️ Сегодня знакомим со спикерами от Яндекса
📆 Practical ML Conf 2026 пройдёт 19 сентября в Москве и онлайн. На конференции будем обсуждать практический ML, который реально влияет на бизнес. Приготовили для вас хардовые доклады, дискуссии и классные активности.
Наши спикеры — независимые эксперты, специалисты из разных IT-компаний и приглашённые гости с keynote-докладами. Про всех будем рассказывать постепенно, за обновлениями следите на сайте и в официальном канале Practical ML Conf.
Рассказываем про первых спикеров от Яндекса:
⚪️ Николай Савушкин, руководитель службы рекомендательных технологий Яндекс R&D. Расскажет, как в Яндекс Музыке протестировали end-to-end генеративную модель вместо рекомендательного стека и какие результаты получили в A/B-тесте.
⚪️ Владислав Носивской, руководитель группы инференса LLM в Yandex AI Studio. Объяснит весь путь строительства экономически эффективного инференса LLM для агентских (и не только) сценариев.
⚪️ Данил Кашин, руководитель команды претрейна VLM Яндекс R&D. Расскажет про то, как мы научили VLM рассуждать и использовать инструменты.
⚪️ Артемий Голиков, руководитель бригады визуальных агентов в Алисе, Алиса и Умные устройства. Поделится, как мы построили и обучили VLM-агента, который выполняет задачи в браузере.
⚪️ Иван Лунев, руководитель команды ядра детекции службы восприятия сцены в Автономном транспорте и роботах. Покажет, как мы перешли на query-based-модель MV2DFusion и ощутимо расширили зону видимости автономного транспорта.
Что общего между Practical ML Conf и днём рождения? Ждёшь год, проживаешь на одном дыхании, а потом долго вспоминаешь и обсуждаешь.
🔳 Регистрируйтесь на конференцию!
Подписывайтесь:
💬 @Yandex4ML
📹 @YandexML | 3 294 |
