ИИ Песочница Sber AI Lab

🔍 ЛУЧШЕ ИИ ИЩЕТ ТОЛЬКО ЛУЧШИЙ ИИ Мы привыкли искать информацию в чатах с ИИ, но качество нейропоиска всё ещё оставляет желать лучшего. Поэтому учёные и разрабатывают эмбеддинги — способы преобразования для семантического поиска и RAG-систем. А вот и один из них 🤩

GigaEmbeddings — новое поколение ИИ-моделей, которые превращают текст в числовые векторы и помогают ИИ находить информацию не по совпадению слов, а по смыслу

Чем лучше модель понимает смысл текста, тем точнее находит нужную информацию, тем ниже риск галлюцинаций у ассистентов и чат-ботов. Это особенно критично там, где цена ошибки высока: в поддержке клиентов, работе с юридическими и финансовыми документами и внутренними базами знаний. 🤖 В обновлённой линейке — три модели:

🤩 10B-A1.8B — лидер рейтинга ruMTEB

🤩 3B — лучший прирост качества и способности обработки кода на 14,5 пункта

🤩 480M — лидер среди моделей на русском языке до 500M параметров

Полные результаты тестирования доступны в открытом рейтинге ↖️ 🤖 Что изменили внутри?

🤩 Объём данных для обучения вырос в несколько раз. Основной прирост качества дали открытые датасеты, в том числе Nemotron, F2LLM и KALM

🤩 Архитектуру упростили и добавили поддержку стандартных открытых инструментов вроде vLLM и SGLang — за счёт этого выросла и скорость инференса: 3B стала быстрее в 1,6 раза, а 10B-A1.8B — в 2 раза

🤩 Баланс языков сохранили за счёт мержинга экспертов на всех этапах обучения: удалось не потерять качество на русском при усилении английского и кода.

Модели бесплатно доступны разработчикам и бизнесу под открытой MIT-лицензией: HF: 480M 3B 10B-A1.8B Gitverse: 480M 3B 10B-A1.8B Подробности читайте в посте команды ↖️ ✔️ Подписывайтесь на Sber AI в МАКС

🔥 КАКИМ ИИ БУДЕТ ЗАВТРА? обсудим на конференции AI R&D DAY 📆 17 сентября 📍 Москва 🎚️ 22 доклада от исследователей и инженеров Сбера.

Отличная возможность обменяться опытом, задать вопросы и обсудить идеи.

Что ещё будет на конференции: 🔘Новые архитектуры и подходы к обучению моделей 🔘ИИ-агенты и инструменты для разработки 🔘Омнимодальная долгосрочная память 🔘Модальности и коммуникации 🔘Оценка качества и производительности ИИ- решений

Sber AI Lab будет в программе: 🎙Максим Макаренко выступит с докладом «LLM для работы с событийными данными» — о том, как адаптировать большие языковые модели для анализа последовательностей событий (транзакции, логи, поведенческие данные) и какие вызовы возникают на этом пути. 🔘 Демо библиотеки SIRIN (Semantic Inconsistency Recognition and Inspection Nexus) на стенде — покажем, как работает детекция галлюцинаций в LLM в реальном времени. 🔘Постерная сессия — наши исследования и результаты.

Участие бесплатное, количество мест ограничено. 📎 Полная программа и регистрация по ссылке. Присоединяйтесь очно или онлайн!

ВИДИМ ДАННЫЕ НАСКВОЗЬ 🤩 Даже хорошая рекомендательная модель может показать отличный результат на тесте, но провалиться в реальности. И проблема часто скрывается в данных. Исследователи Центра практического ИИ Сбера и AIRI создали SplitLight — открытый инструмент, который помогает находить такие проблемы ещё до обучения и сравнения моделей. Что он умеет

🟣 Ищет аномалии в данных и даёт рекомендации по их устранению. Например, сбои логирования, дублирующиеся события и сдвинутые временные метки

🟣 Проверяет реалистичность эксперимента. Не попали ли в обучение данные из будущего, учтены ли новые пользователи и объекты, насколько отличаются тренировочная и валидационная выборки

🟣 Помогает сравнивать исследования. Фиксирует ключевые статистики разбиения и подготовки данных, чтобы эксперименты можно было воспроизводить и корректно сопоставлять

🟣 Показывает общую картину. Выводит на дашборде подробную статистику по проблемам в данных

Команда проекта во главе с исполнительным директором по исследованию данных Центра практического ИИ Сбербанка Алексея Васильева протестировала SplitLight на шести популярных открытых датасетах и наглядно показала: даже незначительные изменения в разбиении способны заметно повлиять на метрики и трактовку качества модели. А научную работу о SplitLight представили на ACM SIGIR 2026 — одной из ведущих международных конференций в области информационного поиска и рекомендательных систем.

Забрать инструмент можно на GitVerse, а также на GitHub

✔️ Подписывайтесь на Sber AI в МАКС

⚡️Рассказываем о нашей крутой разработке в области Recsys ⬇️

Как ИИ помогает врачам ставить диагноз по фотографии? В августе к нам на смену приезжал Константин Егоров — руководитель направления по исследованию данных Sber AI Lab, Центра практического искусственного интеллекта Сбера. На лекции он рассказал, как развивалось компьютерное зрение: от первых экспериментов на зрительной коре кошек до современных моделей глубокого обучения, которые уже сегодня помогают решать реальные медицинские задачи После лекции мы попросили Константина ответить на несколько вопросов. Как инженер-строитель оказался в Data Science? Чем сегодня занимается Sber AI Lab? И какой совет он дал бы школьникам, которые мечтают связать свою жизнь с искусственным интеллектом? Ответы — в карточках #мнениеэксперта

Медицинская команда Sber AI Lab была на новой смене олимпиадной школы МФТИ, делилась опытом и знаниями. Рассказываем, как это было 👇

ICML 2026: главные тренды продолжаем делиться обзором и аналитикой с конференции

В Сеуле с 6 по 11 июля прошла 43-я ICML - одна из трёх самых престижных конференций по машинному обучению (A*, h5‑index 272). Цифры: 24 661 поданных работ - самая крупная конференция за всё время (2× по сравнению с ICML 2025) 6 552 приняты (26.6%) 168 устных докладов, 5 874 постера, 44 воркшопа

🔝Топ-5 тематик принятых работ: 🔘Large language models 🔘Applications: computer vision 🔘Deep learning: generative models and autoencoders 🔘Applications: chemistry, physics, earth sciences 🔘Applications: health, medicine 🎤Ключевые доклады

🔘Pascale Fung (HKUST) - агентам в реальном мире нужны модели мира: JEPA, VLWM, VL‑JEPA вместо пиксельных предсказаний. 🔘Verena Rieser (DeepMind) - сдвиг от запретов («не навреди») к позитивному выравниванию агентов. В реальных агентских сценариях, полных ценностно-нагруженных и неоднозначных решений, слепое следование правилам вредит. Предложена Habermas Machine - ИИ как нейтральный медиатор для группового консенсуса. В adversarial multi-turn framework перестановка фактов меняет решение модели в 13–22% случаев и сдвигает итоговую позицию к мнению пользователя на 6,5%. 🔘Arvind Narayanan (Princeton) -коллаборативные агенты успешнее автономных. RSI (Recursive Self-Improvement) не приведёт к AGI автоматически. Ключевой фокус: на создание бенчмарков и человеческую валидацию.

7️⃣главных трендов 1️⃣Генерация архитектур мультиагентных систем Вместо ручного дизайна - переиспользуемые блоки (review, voting, planning) и диффузионная генерация графа коммуникации агентов. 2️⃣ Память и контекст для долгосрочных агентов Context Folding -экономия контекста в 10×. BEACON — вехи для точной оценки в RL. MemoryArena - бенчмарк памяти в многосессионных задачах. 3️⃣ Эволюционный поиск вместо ручного дизайна Эволюционные стратегии впервые дообучают LLM целиком, превосходя RLHF. AutoNumerics-Zero (DeepMind) - эволюционный поиск математических функций. 4️⃣Стабильность агентского RL ARLArena - систематический разбор причин коллапса обучения. One Tool Is Enough - агент с одним инструментом обходит модели с 32B параметров. 5️⃣ Быстрый инференс LLM ThunderAgent- ускорение в 1.5–3.9×. Star Elastic (Nvidia) - одна модель с несколькими размерами. AgentOmit - пропуск лишних мыслей. 6️⃣Факты и безопасность Большинство фактологических ошибок - не отсутствие знаний, а неспособность их извлечь (DeepMind). Бинарная награда за факты снижает галлюцинации на 39%. Co-RedTeam - мультиагентный поиск уязвимостей кода. 7️⃣ Надёжность в продакшене Исследования реальных внедрений: надёжность агентов в ПРОМе обеспечивается ограничением автономности, короткими цепочками действий и ранним вмешательством человека. 💡Выводы ✔️Агенты становятся отдельным направлением, а не продолжением LLM-практики. На конференции заметен переход от «LLM + tools» к агентам с памятью, координацией, моделями мира и длинным горизонтом планирования. ✔️Надёжность и проверяемость выходят на первый план. Вопрос уже не в том, как поднять метрику, а в том, почему система ошибается: из-за знаний, извлечения, выравнивания, reward hacking или слабой постановки задачи. ✔️Эффективность снова стала центральной темой. Много сильных работ посвящено более дешёвому инференсу, семплированию, дообучению и разрежению. Для production это часто важнее, чем ещё один процент качества без понимания цены. ✔️Diffusion-модели закрепились как отдельный фронтир для языка и теории -это видно по награждённым работам и общему вниманию к diffusion language models и методам точного семплирования. ✔️Безопасность и выравнивание обсуждаются как прикладная инженерная задача. Вопрос уже не только в том, как ограничить модель, но и в том, какие инструменты для этого создаются и как они будут использоваться на практике. ❤ @sb_ai_lab #icml

Как попасть в Sber AI Lab и заниматься тем, что используют миллионы людей? Помните недавнюю лекцию Дарьи Денисовой, ведущего специалиста по исследованию данных Sber AI Lab — Центра практического Искусственного интеллекта Сбера? Она рассказала, как работают рекомендательные системы, почему алгоритмы так хорошо угадывают наши интересы и какую роль в этом играют математика, анализ данных и машинное обучение. После лекции многие ещё долго обсуждали услышанное, а мы решили пойти дальше и поговорили с Дарьей лично. Как олимпиады помогли ей попасть в Big Tech? Чем на самом деле занимается исследователь данных? И какой совет она дала бы тем, кто уже сейчас мечтает строить технологии будущего? Ответы — в карточках #мнениеэксперта

💚 Sber AI Lab активно работает с молодыми талантами: 🟢лекции в вузах 🟢темы для курсовых и дипломных работ 🟢летние школы со студентами 🟢поддержка школьников. На олимпиадной школе МФТИ Дарья Денисова рассказала про рекомендательные системы и как олимпиады помогают попасть в Big Tech. Интервью со спикером, подготовленное организаторами школы ниже ⬇️

Как попасть в Sber AI Lab и заниматься тем, что используют миллионы людей? Помните недавнюю лекцию Дарьи Денисовой, ведущего специалиста по исследованию данных Sber AI Lab — Центра практического Искусственного интеллекта Сбера? Она рассказала, как работают рекомендательные системы, почему алгоритмы так хорошо угадывают наши интересы и какую роль в этом играют математика, анализ данных и машинное обучение. После лекции многие ещё долго обсуждали услышанное, а мы решили пойти дальше и поговорили с Дарьей лично. Как олимпиады помогли ей попасть в Big Tech? Чем на самом деле занимается исследователь данных? И какой совет она дала бы тем, кто уже сейчас мечтает строить технологии будущего? Ответы — в карточках #мнениеэксперта

💚Sber AI Lab активно работает с молодыми талантами: 🟢лекции в вузах 🟢темы для курсовых и дипломных работ 🟢летние школы со студентами 🟢поддержка школьников. На олимпиадной школе МФТИ Дарья Денисова из команды Recsys рассказала про рекомендательные системы и как олимпиады помогают попасть в Big Tech. Интервью со спикером, подготовленное организаторами школы ниже ⬇️

🚫 СТОЙТЕ, ГИГАЧАТ ХОЧЕТ ОТВЕТИТЬ Мы выложили в Open Source сразу две модели для работы со звуком: audio-native LLM GigaChat Audio и мультиязычное SOTA-распознавание речи GigaAM Multilingual. Обе работы приняты на Interspeech 2026 — главную мировую конференцию по речевым технологиям 🔥 Чем силён GigaChat Audio?

🤩 Понимает длинные записи Держит контекст до 2 часов аудио и свободно ориентируется внутри: находит момент, где обсуждали нужную тему, пересказывает фрагмент, собирает саммари с таймкодами. На записях 20–60 минут точность локализации событий — 48.3 IoU против ~0 у Voxtral, Phi-4 и Qwen3-Omni

🤩 Считывает эмоции По интонации и манере речи распознаёт настроение говорящего — 90%+ на бенчмарке Dusha — и учитывает его в ответе

🤩 Распознаёт русский на слух лучше аналогов RuBQ-Audio: 60,0 против 43,7 у Qwen3-Omni. А ещё — multi-turn диалог, перевод, классификация аудио и распознавание речи в одной модели

GigaAM Multilingual — расширение нашей SOTA-модели распознавания речи на казахский, киргизский, узбекский и английский. Компактная версия на 240M параметров обгоняет Whisper Large v3 и Omnilingual 1B, а аудиоэнкодер, предобученный на 2 млн часов речи на 70+ языках, адаптируется к новым языкам с минимумом данных: на грузинском и башкирском хватило одного Common Voice, чтобы дойти до WER ~4% против 11%+ у Whisper Ценность обеих моделей и предложенных методов уже подтвердило научное сообщество — наши статьи приняли на главную мировую конференцию по речевым технологиям Interspeech 2026 Модели уже работают в ГигаЧате: общайтесь голосом, присылайте голосовые сообщения и аудиофайлы.

Разработчикам предлагаем забрать GigaChat Audio и GigaAM Multilingual в Open Source вместе с датасетом TimeGround-1M

А если интересна техническая часть, читайте пост команды ↖️ ✔️ Подписывайтесь на Sber AI в МАКС