Все в ШАД!

Запускаем новую рубрику #ResearchNotes Будем разбирать ресерч студентов, выпускников, преподавателей и коллег из Yandex Research! Сегодня обсуждаем блогпост Георгия Якушева. 🎓 Выпускник и преподаватель ШАДа, исследователь Yandex Research рассказывает, почему, пока LLM думает, она в буквальном смысле не слушает, и как это можно исправить с помощью KV-кэша без дополнительного обучения. Обычно языковая модель работает последовательно: получает запрос, рассуждает, отвечает. Если в процессе появляется новая информация, вычисления часто приходится начинать заново. Для голосового ассистента, робота или игрового агента это становится серьезным ограничением. Георгий пишет об использовании KV-кэшей не только для ускорения генерации, но и в качестве состояние агента. Тогда разные потоки смогут одновременно получать новые данные, рассуждать, отвечать и работать с инструментами. Исследователи Yandex Research вместе с соавторами изучают KV-кэш как рантайм для интерактивных агентов.

В статье Hogwild! Inference несколько экземпляров модели видят рассуждения друг друга через общую память, что позволяет им коллаборировать над сложными задачами и решать их быстрее. В AsyncReasoning модель продолжает думать и параллельно отвечает, сокращая время суммарной задержки до 12 раз. Тот же подход уже применяют на мультимодальных моделях, которые играют в Doom: одновременно получает новые кадры, рассуждает и действует.

🔗 Читайте полный обзор по ссылке.

Четыре попытки и десять лет после магистратуры — сколько может длиться путь в ШАД, если ты не сдаёшься 🏆 Борис Плешаков поступил в ШАД в этом году. До этого он подавал анкету в 2019-м, 2020-м и 2025-м — и только с четвёртой попытки всё получилось. Мы спросили его, почему он выбрал поступить в ШАД, что сработало в этот раз и какой совет он дал бы себе в начале пути. Смотрите статью и заряжайтесь упорством, которого иногда не хватает. ➡️ Полное интервью с Борисом читайте по ссылке. Ваш ШАД 🎓 #поступление

Как выстроить подготовку к поступлению в ШАД ⬆️ Осень — традиционное время начала подготовки к весеннему отбору в Школу анализа данных. Программа поступления охватывает 3 объёмных тематических блока. Чтобы структурировать этот процесс, мы составили базовый маршрут. 1️⃣ Фундаментальная математика

Это база, без которой невозможно глубокое понимание алгоритмов и машинного обучения. В фокусе четыре раздела: 🔴 Линейная алгебра — векторные пространства, линейные отображения, матричные разложения и методы, которые лежат в основе многих ML-моделей 🔴Математический анализ — многомерный анализ и оптимизация, теория меры и интегралы для работы с распределениями, а также ряды Фурье — всё это необходимые разделы для понимания процессов обучения моделей 🔴Теория вероятностей — случайные величины, распределения и статистические методы работы с данными 🔴 Комбинаторика: основные комбинаторные формулы, производящие функции, графы и линейные рекурренты

2️⃣ Программирование, алгоритмы и структуры данных

Понадобится уверенное владение одним из основных языков программирования, предпочтительно С/C++ или Python, в зависимости от желаемого направления обучения. Важно уметь не только писать код, но и доказывать корректность алгоритма и оценивать его сложность. Особое внимание уделите динамическому программированию, хеш-таблицам, деревьям поиска и алгоритмам на графах.

3️⃣ Анализ данных

Для треков, требующих знания машинного обучения, полезно иметь базовое понимание ключевых этапов пайплайна работы с данными: от их очистки и подготовки до построения моделей и оценки их качества. Важно разбираться в базовых принципах: понимать, в чём разница между разными типами задач машинного обучения, иметь представление о том, что такое переобучение и как с ним можно бороться, знать основные метрики для оценки моделей.

Самый надёжный способ проверить свой текущий уровень и понять, какие темы стоит подтянуть, — открыть задачи прошлых лет и попытаться решить их без подсказок. Полный и детализированный список тем, а также перечень рекомендованной литературы прошлого года собран в программе для подготовки к поступлению. Советуем использовать этот документ как чек-лист. ➡️ Изучить программу для подготовки к поступлению Желаем вдумчивой подготовки. Ваш ШАД 🎓 #поступление

Сегодня мы празднуем День знаний и предлагаем встретить его вместе с ШАДом. Впереди новый семестр, знания и задачи. А начать его можно вместе со студентами ШАДа на неделе онбординга. Перед каждым семестром мы проводим серию полезных лекций по хардам и софтам. В этом году приглашаем вас присоединиться онлайн к двум из них: 7️⃣ сентября, 18:00 МСК — «Резильентность: как повысить свои шансы на успех в учёбе»

Поговорим о том, что помогает справляться с трудностями и оставаться устойчивым в учёбе. Разберёмся, из чего складывается академическая резильентность и какие инструменты помогут её развивать. ➡️ Дмитрий Фадеев — практикующий психолог, супервизор, преподаватель Гуманитарного института РосНОУ.

1️⃣0️⃣ сентября, 18:00 МСК — «Research 2.0: как AI-агенты меняют научные исследования»

Посмотрим, как AI-агенты уже меняют исследовательский процесс: от поиска литературы и написания кода до проведения экспериментов. А ещё разберёмся, какие задачи можно делегировать ИИ, а где по-прежнему особенно важна работа самого исследователя. ➡️ Илья Латышев — выпускник ШАД 2026, научный сотрудник ИСП РАН.

🔗 Регистрируйтесь в форме и начинайте учебный год вместе с нами. 📅 Дедлайн заполнения формы: 7 сентября, 12:00 МСК Ваш ШАД 🎓

⚡ С днем рождения, Лицей 🎉 30 августа 2016 года открылся приём в первую четвёрку городов Яндекс Лицея — Саратов, Пенза, Калуга, Тамбов. Двухгодичную программу построили вокруг Python для школьников 8 и 9 классов: сначала теория и небольшие проекты, потом — настоящие технологии на практике. Сегодня Лицею десять лет, и за эти годы через него прошли 50 000+ подростков, а площадки открылись в 150 городах — от Калининграда до Дальнего Востока — 20+ программ, специализации, полноценное сообщество. Для нас в ШАДе это близкая дата. Лицей проектировался и стартовал вместе с нашей командой, и мы до сих пор относимся к нему как к младшему брату: тот же корень — учить программированию по-настоящему, а не ради оценки. Младший брат вырос, обзавёлся собственными направлениями и комьюнити, принципы развития те же. 😀 С днём рождения, Лицей. Дальше — больше 🔥 P.S. Сейчас идёт новый набор — для вас или ваших друзей ✍️ Добро пожаловать в школьное комьюнити Яндекса 👀 Как всё начиналось в 2016 📘

Лето заканчивается, а значит, впереди новый сезон подготовки к ШАДу, мероприятий и полезного контента. Спасибо, что участвовали в опросах во время набора, но в течение учёбы интересы могут измениться. Чтобы в этом году канал был максимально полезным, нам важно понять — кто вы и чего вам не хватает? Ниже будет пара быстрых опросов, выберите нужный вариант. А в комментариях к этому посту устроим брейншторм: 1️⃣ Что больше всего понравилось в канале в прошлом учебном году?  2️⃣ Чего не хватает?  Учтём все ответы и станем ещё лучше. Поехали! ⬇️

На связи — Питерский ШАД В этом году здесь собрались участники и менторы международной Летней школы ШАДа. Она прошла совместно с Yandex Research и была посвящена эффективной работе больших языковых моделей — LLM Efficiency. К студентам ШАДа присоединились ребята из ML School Uzbekistan. Перед школой все участники прошли отбор и собеседование с ментором на английском языке: нужно было показать не только знание теории, но и мотивацию работать над исследовательским проектом. В течение недели команды работали вместе с менторами из ШАДа, Yandex Research и BRAIn Lab. В финальный день студенты представили свои проекты и первые результаты. Недели, конечно, мало для полноценной статьи, зато достаточно, чтобы проверить гипотезы и заложить основу для дальнейшей работы. Многие команды планируют продолжить исследования и после школы. Среди менторов были и выпускники ШАДа — Мария Иванова и Георгий Якушев из Yandex Research. Маша работала со студентами над проектом Improving LLM Reasoning through Diverse Reasoning Trajectories, а Георгий курировал два проекта: Extending Clipping for Circuit Breakers и A Closer Look on GatedDeltaNet States in Modern LLMs. За эту неделю студенты успели пройти почти весь путь настоящего исследования: разобраться в задаче, сформулировать гипотезы, провести эксперименты и защитить результаты перед экспертами. Так что Летняя школа закончилась, а работа над проектами — нет. Будем следить за продолжением) Ваш ШАД 🎓

До начала первого семестра осталось совсем чуть-чуть. Но вместо того, чтобы сидеть и ждать старта осенней рутины, предлагаем тебе вместе с нами посмотреть на учёбу по-новому. 💙

Мы в Яндекс Образовании предлагаем тебе посмотреть на будущее не как на туманное «потом», а увидеть его во всём новом, что происходит с тобой прямо сегодня. Поймать драйв самого процесса учёбы: азарта новых задач, волнения перед экзаменом, экспериментов, радости побед и найденных решений. Давай встретим это новое сегодня вместе?

Ждём 13 сентября на Хлебозаводе, где соберутся те, кто не ищет готовых ответов, а стремится пробовать новое. А ребят из других городов зовём в чат-бот Яндекс Образования, где вместе с блогерами погружаемся в новое и пробуем что-то впервые. В конце разыграем Яндекс Станции, Яндекс Дропс и классный мерч. ➡️ Узнать всё новое сегодня

Как собрать AI-агента, если не хочется разбираться с кодом и архитектурой для выполнения задачи? Студенты ШАДа попробовали решить эту задачу привычным для пользователей способом — с помощью общения на естественном языке. В рамках проектного курса Серёжа Растворов и Женя Усков вместе с менторами от Яндекса Анной Коковиной и Серёжей Нарбутом разработали Agent Builder в формате чата.

Пользователь описывает, что должен делать агент, а Builder помогает сформулировать запрос и подобрать архитектуру под конкретный сценарий. При этом не нужно вручную собирать конфигурацию: можно подключить web_search, file_search или Code Interpreter, протестировать результат через Responses API и экспортировать готовую конфигурацию для дальнейшей разработки. Получился проект на стыке удобного интерфейса и реальной AI-инфраструктуры — с понятным результатом, которым уже можно пользоваться.

Посмотреть код проекта и попробовать его можно на GitHub Ваш ШАД 🎓 #проектныйкурс

Математика — основа обучения в ШАДе 🙂 У каждого абитуриента альтернативного трека поступления и направления «ИИ в естественно-научных исследованиях» свой опыт, поэтому в ШАДе для них начинается с августовского месячного курса-интенсива «Математика для Data Science» (по 3 сдвоенных занятия в неделю, то есть это полноценный семестровый курс) — он помогает подровнять уровень подготовки и уверенно влиться в обучение. Курс даёт необходимый фундамент для работы с ML-алгоритмами и помогает разобраться, как математические инструменты применяются в анализе данных.

На курсе разбирают три ключевых блока: 🟡 Линейная алгебра — векторные пространства, линейные отображения, матричные разложения и методы, которые лежат в основе многих ML-моделей. 🟡 Математический анализ — многомерный анализ и оптимизация, теория меры и интегралы для работы с распределениями, а также ряды Фурье — всё это необходимые разделы для понимания процессов обучения моделей. 🟡 Теория вероятностей — случайные величины, распределения и статистические методы работы с данными.

Главная цель курса — закешировать методы применения математических идей на практике и прогреть базу для дальнейшего обучения в ШАДе. Пожелаем успехов абитуриентам, которые сейчас проходят этот курс. Пусть знания даются легко, а интерес никогда не оставляет во время обучения 😀 Ваш ШАД 🎓 #курсышад

🛡Магические шестиугольники? Нет, не слышали История этого материала очень забавна. В преддверии девятнадцатилетия ШАД в чате выпускников обсуждали особенности числа 19. Такое приятное времяпрепровождение для любителей математики. 😁 Кто-то заметил, что 19 — это простое число-близнец. Кто-то другой ответил, что 19 — это количество ячеек в единственном нетривиальном нормальном магическом шестиугольнике. Тут и начинается наше приключение. 🎓 Костя Гуков, выпускник 2015 года из Екатеринбурга, с головой погрузился в совместное с ИИ исследование вопроса существования магических шестиугольников. На стыке собственных идей и эвристик, а также рассуждений и написанного кода ИИ получился новый результат в области комбинаторики, о котором можно почитать выше в заметке от автора. Отметим, что математика используется при этом вполне себе школьная.

— Костя, скажи, а ты как-то хочешь опубликовать свой результат или сделать проектом, например со студентами, для более глубокого исследования? — У меня есть мысль написать paper с подробным доказательством и попробовать отправить в какой-нибудь журнал по комбинаторике. Но я далёк от академии, и догадываюсь, что это процесс с подводными камнями :) В плане того, что точно принесло бы пользу, студентов можно было бы привлечь как независимых ревьюеров самой конструкции и её формализации в Lean. Надо уточнить у ребят, кто захотел бы взяться за такую тему.

Хотим пожелать Косте и студентам, заинтересовавшимся темой, довести работу до публикации. А всем читателям канала еще раз отметим, как же важно сейчас не подменять себя и свою деятельность ИИ, а усиливаться. Можно опробовать много гипотез, на которые ранее мы не осмелились бы уделить достаточное количество времени для достижения ощутимого результата. Дерзайте! 😨 GitHub проекта Ваш ШАД 🎓 #наукашад

Преподаватели курса по рекомендательным системам в ШАД участвовали в работе над Sona — единой моделью для рекомендательного стека Яндекс Музыки ⚡ Команда опубликовала Sona Technical Report — итог целого года работы, в результате которой удалось заменить весь стек рекомендаций Яндекс Музыки единой моделью. Внутри репорта — много деталей об архитектуре и инфраструктуре, а также многочисленные аблейшны. Sona заменила более 15 кандидат-генераторов, преранжирование и ранжирование с сотнями признаков. Теперь генерация кандидатов и их ранжирование происходят внутри одной совместно обучаемой модели. При этом Sona не только упростила многоступенчатый каскад, но и повысила качество рекомендаций на реальном пользовательском трафике. В A/B-тесте число активных пользователей выросло на 4,53%, общее время прослушивания — на 6,30%, а количество лайков — на 11,42%. Это лучшее внедрение трансформеров в истории A/B-тестов Яндекс Музыки. 🎓 Больше о рекомендательных алгоритмах, от классических методов до современных нейросетевых подходов и запуска моделей в продакшн, можно узнать на курсе по рекомендательным системам. А подробнее о том, как устроена Sona и как команда к ней пришла, руководитель службы рекомендательных технологий Яндекса Николай Савушкин расскажет 19 сентября на Practical ML Conf. Ваш ШАД 🎓

DATA DOJO от Y&&Y в Санкт-Петербурге ⚡️ Скоро новый учебный год, а с ним и множество интересных и полезных мероприятий. И вот наш первый анонс на сентябрь 👀 9 сентября собираем data-самураев в офлайне: обсудим ML-тренды, разберём реальные случаи из практики яндексоидов, поделимся опытом. В программе — кейсы и разборы задач от ML-экспертов Яндекса:

🔵Антон Клочков из команды ML-разработки Фотоинпута расскажет, почему эффективную модель бывает сложно поддерживать и как с этим справляться. 🔵Маргарита Мишустина из группы нейросетевого ранжирования покажет новые подходы к формированию рекламных блоков 🔵Сергей Фиронов из Автономного транспорта разберёт задачи с Yandex ML Challenge.

🎓 Ранее на YoungCon 2026 Ксения Шкулева — студентка московского ШАД по направлению Data Scientist — стала финалисткой Yandex ML Challenge. Успей подать заявку до 26 августа по ссылке

🚀 Статья выпускника принята на Interspeech 2026 Статья Dialogs: a studio-quality expressive conversational Russian speech corpus for dialog assistants 🎓 Ильи Латышева и Ильи Шигабеева принята на Interspeech 2026. Поздравляем! 🎉🎉🎉 Авторы собрали открытый студийный корпус выразительной русской разговорной речи для обучения и файнтюна моделей синтеза речи. В датасете — 20 часов записей, 3 профессиональных диктора-актёра, разные эмоции и разговорные стили. Одна из ключевых особенностей корпуса — формат записи. Актёры не произносили реплики поодиночке в изоляции, а сидели напротив друг друга и разыгрывали диалоги, видя мимику, жесты и реакцию собеседника. Даже при заранее подготовленном тексте это делает речь заметно более естественной и живой — что особенно важно для диалоговых ассистентов. Работа над таким корпусом оказалась не только исследовательской, но и организационной задачей: нужно было следить за микрофонами, аудиоцепочкой, расстоянием до микрофона, шумом, акустикой помещения и настройками записи. Именно такие детали в итоге сильно влияют на качество речевых данных. В статье авторы также показывают результаты обучения TTS-моделей и субъективную оценку качества для разных разговорных стилей. 📄 Статья на arXiv 🤗 Hugging Face: статья, датасет, 🎤 демо Поздравляем авторов с публикацией и желаем новых сильных работ! Ваш ШАД 🎓 #наукашад

В основном в ШАД идут за знаниями, и это правда. Но за два года обучения появляется кое-что ещё — навыки, которые остаются с вами надолго ⬇️ 1️⃣ Умение задавать вопросы

Не бояться чего-то не знать и вовремя просить помощи.

2️⃣ Умение читать научные статьи

Находить главное, разбираться в сложных идеях и не теряться в новой информации.

3️⃣ Умение объяснять свои решения

Не просто получить правильный ответ, а донести до других, почему он именно такой.

4️⃣ Умение работать в команде

Обсуждать идеи, спорить, договариваться и вместе двигаться к результату.

5️⃣ Умение быстро разбираться в новом

Потому что технологии постоянно меняются, и это становится одним из самых важных навыков.

Здесь учатся не только конкретным инструментам, но и подходу, который остаётся с вами независимо от того, чем вы будете заниматься дальше 😀 Ваш ШАД 🎓

⚡ Поздравляем с победой сборную школьников на IOAI 2026 Российские школьники на Международной олимпиаде по искусственному интеллекту (IOAI) в Астане завоевали семь золотых и одну бронзовую медаль. Поздравляем! 🎉🎉🎉 Отдельно хотим поздравить с золотой медалью 🥇 Кирилла Лабзина — участника научно-практического интенсива по воспроизведению современных научных результатов Школы анализа данных в Университете «Сириус».

— Кирилл, привет! Поздравляем с крутейшим результатом 🥇🎉 — Спасибо большое! — У нас сейчас идёт отбор на новый интенсив по разбору экспериментов из статей. Расскажи, помогает ли формат таких интенсивов в подготовке? — Да, думаю, что помогает. Интенсив позволяет глубже погрузиться в какую-то область, изучить её, что помогает при решении задач. Ну и сама работа с самостоятельным воспроизведением научных результатов может помочь с быстрой реализацией собственных идей во время соревнования без ошибок.

В 2026 интенсив пройдет с 5 по 16 октября в Университете «Сириус». Вместе с менторами из Яндекса и ведущих российских вузов участники будут работать над реальными исследованиями: проводить эксперименты, проверять гипотезы, тестировать собственные идеи и искать способы улучшить существующие решения. Среди направлений — Physical AI, генеративный ИИ, LLM и рекомендательные системы. Подать заявку на интенсив можно до 13 августа 📅 P.S. В прошлом году Кирилл участвовал в интенсиве как студент экспериментального ИТ-специалитета Университета Сириус, обучаясь на программе высшего образования, он по сути был 11-классником 🚀, что позволило ему быть включенным в сборную России на международную олимпиаду по ИИ. Ваш 🖥🖥🖥

Продолжаем рассказывать о научных работах студентов и выпускников 🎓 Сегодня — о работе, которая помогает лучше понять ограничения современных методов сжатия больших языковых моделей: «Rethinking the Role of Tensor Decompositions in Post-Training LLM Compression». Среди авторов — студент ШАДа Максим Крутиков и руководитель BRAIn Lab Александр Безносиков.

Работа посвящена post-training compression — сжатию уже обученных LLM, которое позволяет запускать большие модели при ограниченных вычислительных ресурсах. Авторы исследовали один из популярных подходов — тензорные разложения. Они позволяют компактнее представлять веса Transformer-моделей, но до сих пор было не до конца понятно, насколько хорошо этот метод работает для современных LLM. Исследование показало, что тензоризация масштабируется не так эффективно, как ожидалось. Причина в том, что большие языковые модели учатся очень неоднородным представлениям, а тензорные разложения предполагают наличие общих подпространств. Именно это фундаментальное различие и ограничивает применение метода.

Если хотите подробнее разобраться, почему тензорные разложения не всегда работают так, как ожидается, — рекомендуем заглянуть в статью. Ваш ШАД 🎓 #наукашад

⚡ Подведены итоги International Mathematics Competition 2026 — одной из крупнейших международных студенческих олимпиад по математике. В числе сильнейших команд этого года — СПбГУ, МФТИ, НИУ ВШЭ, НГУ и БГУ. Среди шадовцев самый высокий результат показал Борис Червоненкис, студент 2 курса, занявший 13-е место. Поздравляем 🏆 Остальные результаты смотрите по ссылке 🥇 Каждый год мы с особым вниманием следим за результатами IMC. Нам приятно видеть, как шадовцы добиваются высоких результатов на международной олимпиаде и входят в число сильнейших молодых математиков мира. Поздравляем всех участников с заслуженными результатами! Пусть впереди будет ещё больше красивых задач, интересных соревнований и больших побед. Ваш ШАД 🎓