Открытый код ФКН ВШЭ

MaterialFusion В репозитории опубликован код MaterialFusion — метода для переноса материала на объект в изображении без построения 3D-модели. Авторы решают задачу, где нужно взять материал с изображения-примера, например металл, дерево, стекло или ткань, и реалистично применить его к выбранному объекту, сохранив форму, детали поверхности и фон исходной сцены. Такой инструмент полезен для виртуального прототипирования, визуализации товаров, дополненной реальности и создания цифрового контента. MaterialFusion объединяет возможности IP-Adapter и Guide-and-Rescale внутри диффузионной модели. IP-Adapter извлекает признаки материала из изображения-примера, а Guide-and-Rescale помогает сохранить геометрию и исходные особенности объекта. Для оценки метода авторы собрали собственный набор реальных изображений: 25 фотографий объектов и 15 изображений материалов. MaterialFusion сравнивается с ZeST, Guide-and-Rescale и IP-Adapter с маской. В количественных метриках, визуальных сравнениях и пользовательском исследовании метод показывает более реалистичное встраивание материала, лучше сохраняет структуру объекта и аккуратнее работает с фоном и границами. Работа будет полезна исследователям генеративных моделей и редактирования изображений, а также разработчикам инструментов для дизайна, AR/VR, e-commerce и визуализации продуктов. статья | код

Митап Open Source: «День открытого кода» 30 июня Открытый код стал частью технологического фундамента современной разработки: 89% российских компаний использует его в своей ИТ-инфраструктуре.  Вместе с ростом популярности пришли и вызовы: как управлять открытым кодом в корпоративной среде и строить устойчивый бизнес?  На платформе Мос.Хаб уже размещено больше 32 тысяч проектов с открытым кодом. Город последовательно развивает экосистему, где разработчики могут пользоваться готовыми решениями, а также влиять на их прогресс.  В МосХаб.Сколково соберутся разработчики, продуктовые и ИТ-команды, стартапы и профильные медиа, чтобы обсудить последние тренды отрасли в России, завести полезные знакомства и наметить совместные проекты.  На митапе участники узнают, как столица видит развитие опенсорс, какие результаты уже есть и почему открытый код стал важной частью городской цифровой стратегии. В программе — пленарная сессия с лидерами рынка, живое обсуждение, вопросы из зала и свободное время для нетворкинга. Посетителей ждёт интерактив: при регистрации каждый участник получит карточку с кодом, в котором спрятана ошибка. Если сможете найти и исправить ошибку, то получите брендированный стикерпак. Регистрация и подробности — по ссылке. Количество мест ограничено! Подписывайтесь: Telegram | МАКС | ВКонтакте

Does-It-Look-Sequential В репозитории опубликован код Does-It-Look-Sequential — исследования о том, насколько популярные наборы данных действительно подходят для оценки последовательных рекомендаций. Авторы разбирают частую проблему в этой области, где модели вроде SASRec и GRU4Rec предполагают, что порядок действий пользователя несет полезный сигнал, но сами наборы данных не всегда содержат сильные последовательные зависимости. Для проверки авторы используют простую идею со случайным перемешиванием пользовательских историй. Если после перемешивания качество модели почти не меняется, значит модель в основном опиралась не на порядок действий, а на другие свойства данных. В работе предложены три способа такой проверки. Первый считает короткие последовательные правила до и после перемешивания. Два других смотрят на падение HitRate@10 и NDCG@10, а также на изменение списка рекомендаций через Jaccard@10. Эксперименты проведены на 19 наборах данных, включая Beauty, Diginetica, RetailRocket, Yoochoose, Steam, ML-20m, 30Music, Yambda-50M, Gowalla, Yelp и другие часто используемые бенчмарки. Авторы показывают, что Diginetica, Foursquare, Gowalla, RetailRocket, Steam и Yelp имеют сравнительно слабую последовательную структуру. Отдельно анализируется влияние предобработки, фильтрации редких пользователей и объектов, удаления уже просмотренных объектов из рекомендаций и выбора гиперпараметров. Оказывается, такие технические детали могут заметно менять выводы о том, есть ли в данных полезный порядок. В конце авторы разделяют наборы данных по типам зависимостей: где история работает почти как набор объектов без порядка, где важны только недавние действия, где достаточно одного-двух последних объектов, и где есть более сложная структура порядка. Работа будет полезна исследователям рекомендательных систем и ML-инженерам. статья | код

Продолжаем прием заявок на второй конкурс проектов с открытым кодом для студентов ФКН НИУ ВШЭ 2026! 🎉 Заполните заявку на сайте конкурса и прикрепите ссылку на репозиторий вашего проекта (GitHub/GitLab/GitVerse) до 31 июля. Прокачивайте навыки разработки, публикуйте свои проекты с открытым кодом и получайте призы. Кто может участвовать: ⚪️ Все аспиранты и студенты ФКН. ⚪️ Индивидуальные авторы и команды. Принимаются проекты любых форматов: ✅ Результаты курсовых работ (КР). ✅ Выпускные квалификационные работы (ВКР). ✅ Любые другие инициативные разработки. Что получают участники: ➕ Опыт работы над open-source проектами. ➕ Интеграцию в мировое сообщество разработчиков. ➕ Призы и награды для победителей. ❓ Вопросы по конкурсу можно писать нам в чат. 📆 Прием заявок до 31 июля 2026 ⭐️ Награждение победителей пройдет 01 октября 2026 Подписывайтесь на канал: @hse_cs_opensource

Приглашаем принять участие в конкурсе для разработчиков «Код логики» Стартовал первый этап конкурса Open-Source-проектов для разработчиков свободного ПО «Код логики». Конкурс проводится при финансовой поддержке «Базальт СПО» и частных лиц. Организатор конкурса — АНО «Институт логики, когнитологии и развития личности». На протяжении 35 лет институт поддерживает разработчиков свободного ПО и образовательные технологии. Миссия АНО «Институт логики» — помогать исследователям, специалистам и учебным учреждениям реализовывать проекты, влияющие на развитие технологий. Кто может участвовать? Физические лица — разработчики свободного ПО, обладающие гражданской дееспособностью лица старше 18 лет, налоговые резиденты. Что нужно сделать? Представить значимый вклад в существующий Open-Source-проект, опубликованный в публичном репозитории под свободной лицензией. Вклад может быть сделан в свой или сторонний проект. Призовой фонд Денежные премии. Всего 3 призовых места, максимальное количество победителей — до 6 человек. Победитель получит 1 000 000 рублей. Заявки принимаются до 15 августа 2026 года (включительно) на сайте института. Награждение победителей состоится 2–4 октября на XXII ежегодной конференции разработчиков свободных программ. Подробности об условиях конкурса можно посмотреть на сайте: logic.ru. «Базальт СПО» в МАХ | ВКонтакте

Folding-In-MRGSRec В репозитории опубликован код Folding-In-MRGSRec — метода для быстрого обновления графовых рекомендательных моделей после появления новых взаимодействий. Авторы работают с практической проблемой таких рекомендательных систем, где новые действия пользователей обычно требуют полного переобучения модели. В реальных задачах это быстро становится дорогим и неудобным, особенно если рекомендации должны меняться почти сразу после новых кликов, покупок или просмотров. Вместо обновления всех весов Folding-In меняет только небольшую часть пользовательских представлений, связанных с пользователями, у которых появились новые взаимодействия. Метод встроен в MRGSRec, модели с множественными представлениями, объединяющую графовую часть на LightGCN и последовательную часть на SASRec. Графовая компонента отвечает за глобальные связи между пользователями и объектами, а sequential-компонента лучше ловит локальную историю конкретного пользователя. Эксперименты проведены на MovieLens-1M и трёх датасетах Amazon. Folding-In-MRGSRec показывает лучшее качество среди рассмотренных графовых, последовательных и бейзлайнов с множественными представлениями. Работа будет полезна исследователям рекомендательных систем и ML специалистам в области рекоменлдаций. статья | код

solar-magnetic-tornado В репозитории опубликован код solar-magnetic-tornado — пайплайна для автоматического поиска солнечных магнитных торнадо на изображениях SDO/AIA 171 Å. Авторы рассматривают темные спиралевидные структуры у лимба Солнца, которые раньше в основном находили вручную по отдельным наблюдениям. Такой подход плохо подходит для статистики по солнечному циклу, поэтому в работе собраны обучающие данные по известным и дополнительно размеченным торнадо и предложены два нейросетевых метода детекции. Первый метод использует MobileNetV3 как feature extractor и recurrent-блок GRU или LSTM для классификации последовательностей из 20 кадров. Он учитывает временную динамику и видимое вращение структуры. Второй метод основан на YOLO 11 и работает с отдельными кадрами, зато сразу возвращает bounding boxes, координаты и оценку размера объекта. Лучшей моделью в первом подходе стала связка MobileNetV3 + GRU с AUC-ROC 0.945, recall 0.968 и precision 0.836 при пороге 0.5. YOLO хуже учитывает динамику, но удобен для массового поиска и пространственного анализа. На основе моделей авторы нашли 1 476 885 новых объектов и построили базу событий, пригодную для дальнейшей проверки и статистики. Работа будет полезна исследователям физики солнц, специалистам по автоматическому анализу астрономических изображений и командам, которые строят большие базы событий из потоковых наблюдений, где ручная разметка уже не масштабируется. статья | код

Наша сегодняшняя онлайн-секция Open Source начинается меньше чем через пол-часа! Ровно в 12-00 стартуем. Будут доклады от представителей Yandex Cloud, ФКН ВШЭ и Иннотеха. Ссылка на трансляцию - https://dion.vc/event/datafest-kb (нужно нажимать "Войти как гость") Задавать вопросы докладчикам можно в чате трансляция или здесь в комментариях. Подробности по программе - тут.

Публикуем расписание нашей секции Open Source на DataFest 2026 - https://ods.ai/events/datafest2026: Онлайн (30.05, 12:00): 1) Марина Кошелева, руководитель проектов, Центр технологий для общества Yandex Cloud: Как мы делали библиотеку-опенсорс курсов от преподавателей вузов 2) Михаил Гущин, ведущий научный сотрудник, зам. зав. лаб, руководитель проекта по открытому коду Факультета компьютерных наук ФКН НИУ ВШЭ: Научные открытые проекты 3) Юрий Барамыков, старший руководитель проекта, Иннотех: ggmlR:Vulkan GPU-бэкенд для R Белград, 31.05 - https://ods.ai/events/fest2026-fon-belgrade 4) Алексей Васильев, исполнительный директор по исследованию данных, Sber AI Lab: SplitLight: RecSys Evaluation Toolkit 5) Илья Шагабеев, ML Researcher, Acclaim ai TTS in 2026: Open Source vs Big Tech Ссылки на трансляцию онлайна скинем позже.

DPNVerifier В репозитории опубликован код DPN Verifier — инструментария для проверки и исправления бездефектности моделей процессов с данными. Работа рассматривает Data Petri Nets, расширение сетей Петри, где переходы зависят не только от разметки, но и от значений переменных. Такая постановка нужна для процессов, в которых данные напрямую меняют поток управления, а ошибки могут проявляться как deadlock, livelock, неограниченный рост ресурсов или действия, которые никогда не выполняются. Авторы предлагают более быстрый метод проверки DPN, который требует не больше двух построений пространства состояний. Существующие подходы часто опираются на многократное построение графов, из-за чего методы плохо масштабировались и оставались ближе к исследовательским прототипам. DPN Verifier реализует новую роцедуру, добавление tau-переходов и анализ абстрактных пространств состояний, включая ARG, ACG и ACT. Сам DPN Verifier поставляется как desktop-приложение, консольная утилита и библиотека классов, поэтому его можно использовать вручную, подключать к пайплайнам моделирования или брать как основу для экспериментов с DPN. Работа будет полезна исследователям process mining, разработчикам инструментов формальной верификации и командам, которые работают с процессными моделями, где поведение зависит от данных, а проверка корректности должна быть не демонстрацией на малом примере, а частью нормального инженерного пайплайна. статья | код

SimChrom В репозитории опубликован код SimChrom — интерактивного ресурса и набора данных для анализа человеческого хроматома. Авторы собирают разрозненную информацию о хроматин-ассоциированных белках из функциональных баз, данных о субклеточной локализации и исследований спектрометрии, а затем приводят её к единой системе. Работа обращает внимание на то, что само множество белков хроматина до сих пор плохо согласовано между источниками, и разные протеомные исследования дают сильно отличающиеся списки, локализационные базы имеют неполное покрытие, а Gene Ontology слишком подробна и неудобна для прямого анализа хроматома. На этой основе авторы строят SimChrom классификацию, набор примерно из 3000 хроматиновых белков и более простую версию разметки, где каждый белок получает одну основную категорию. Отдельно авторы показывают, что в хроматиновых белках остаётся заметная тёмная часть структурного пространства. С помощью AlphaFold и TED они находят 241 структурный домен без известных экспериментальных структур или близких структурных суперсемейств, а часть из них также не имеет Pfam-аннотаций. Работа будет полезна исследователям хроматина, системной биологии, структурной биоинформатики и командам, которые строят модели регуляции генома на уровне белков, доменов и взаимодействий. статья | код

Интерес к российским платформам для Open Source будет расти, ИИ обеспечит появление новых открытых проектов ICT.Moscow подвел итоги опроса о перспективах развития проектов с открытым исходным кодом (Open Source), в котором приняли участие более 300 представителей ИТ-сферы. Какие прогнозы в отрасли строят на этот год: • 36% респондентов считают, что российские аналоги будут охотнее выбирать в качестве альтернативы зарубежным репозиториям; • 46% отметили, что заметным драйвером станет искусственный интеллект и именно эта технология приведет к увеличению числа открытых проектов как в России, так и за ее пределами; • по мнению 14%, все чаще начнут использовать гибридные или коммерческие бизнес-модели распространения открытых решений; • помимо этого, в числе прогнозов выделяют появление центров экспертизы на стыке индустрии, науки и сообществ открытого кода, а также разработку национальных стандартов качества и безопасности продуктов Open Source. 15% надеются, что в 2026 году будут новые инициативы в регулировании индустрии; • несмотря на преобладание оптимистичных прогнозов, 28% опрошенных не ждут значительных изменений в сфере открытого софта в России, указывая на неясность относительно будущего локального развития. Ознакомиться со всеми итогами → Опрос проводился командой аналитического хаба ICT.Moscow в апреле 2026 года. Участникам предлагалось выбрать несколько вариантов ответа на вопрос о том, чего они ожидают от российского Open Source в ближайшей перспективе. *** 📎В июне ICT.Moscow представит обзор отечественной индустрии Open Source. Подписаться на обновление по этой теме.

GeomMotif В репозитории опубликован код GeomMotif — бенчмарка для оценки геометрического сохранения структурных фрагментов при генерации белков. Авторы обращают внимание на ограничение существующих бенчмарков для motif scaffolding, где задачи обычно строятся вокруг функциональных мотивов, например активных центров ферментов или участков связывания. В такой постановке оценка смешивает сразу несколько факторов: сохранение 3D-геометрии, аминокислотный состав, заряд, гидрофобную упаковку, боковые цепи и функциональную совместимость мотива. GeomMotif предлагает более чистую диагностическую постановку, где проверяется именно способность модели достроить белковую структуру вокруг заданного мотива без дополнительного требования к биологической функции. Для этого авторы собирают 57 задач из структур Protein Data Bank. Дополнительно каждый мотив описан набором структурных и физико-химических свойств, включая размер, вторичную структуру, гидрофобность, заряд, степень захороненности и контактное окружение. Это позволяет анализировать не только средний результат, но и конкретные режимы, в которых разные модели теряют геометрию. Для оценки используется SUN, метрика, объединяющая успешность сохранения мотива, разнообразие решений и новизну сгенерированных структур. В экспериментах структурные модели заметно превосходят sequence-based подходы. Наилучшие результаты показывают Genie2, La-Proteina и RFdiffusion, тогда как модели, генерирующие только последовательности, почти не справляются с задачами на два пространственно разнесённых мотива. Отдельно авторы показывают, что ESM3 в режиме совместной генерации последовательности и структуры работает хуже sequence-only варианта, что делает этот бенчмарк полезным не только для ранжирования моделей, но и для поиска архитектурных ограничений. Работа будет полезна исследователям генеративного дизайна белков, разработчикам моделей для protein scaffolding и командам, которым важно понимать, какие геометрические ограничения современные модели действительно умеют сохранять. статья | код

RiemanianFinetune В репозитории опубликован код RiemanianFinetune — нового подхода к обучению LoRA-адаптеров через риманову оптимизацию. Авторы обращают внимание на проблему стандартной LoRA, где один и тот же низкоранговый сдвиг весов можно представить разными парами матриц, но обычные оптимизаторы вроде Adam или SGD обучают именно эти факторы, поэтому результат может зависеть от случайной параметризации. В работе предлагается обучать не отдельные множители LoRA, а саму низкоранговую матрицу как точку на многообразии матриц фиксированного ранга. Для этого авторы вводят оптимизатор Riemannion — риманово обобщение Muon для низкоранговых адаптеров. Такой подход делает обновления более геометрически корректными и менее зависимыми от выбранного разложения. Дополнительно предложена специальная инициализация адаптеров, ориентированная на начальный градиент, а также эффективная реализация без заметных издержек при малых рангах. Эксперименты на Llama 3-8B в задачах commonsense reasoning показывают, что Riemannion превосходит LoRA, DoRA, Muon по факторам LoRA и другие римановы варианты. Средняя accuracy по восьми задачам достигает 88.1% против 87.1% у Adam-LoRA. В экспериментах с Stable Diffusion 2 для subject-driven generation метод быстрее сохраняет концепт и лучше удерживает соответствие текстовому описанию. Работа будет полезна исследователям parameter-efficient fine-tuning, разработчикам LLM и diffusion-моделей, а также тем, кто изучает геометрические методы оптимизации для низкоранговых нейросетевых адаптеров. статья | код

🔬 Как превратить научные результаты в востребованный продукт (и грамотно оформить на него права)? Для этого в Вышке создана инфраструктура, помогающая ученым и разработчикам сопровождать результат интеллектуальной деятельности на всех этапах. Сотрудникам и студентам доступны консультации, патентная поддержка и механизмы регистрации разработок. Подробнее о том, как университет работает с интеллектуальной собственностью, рассказывает «Вышка для своих» #Важное 📲 Подписывайтесь на Вышку в MAX: Официальный канал | Афиша Вышки | IQ Media | Вышка в Санкт-Петербурге | Вышка в Нижнем Новгороде | Вышка в Перми | Вышка Онлайн

tabular-dl-optimizers В репозитории опубликован код масштабного исследования оптимизаторов для MLP-моделей в задачах глубокого обучения на табличных данных. Авторы обращают внимание на любопытный перекос в современной практике, где архитектуры для табличного DL активно развиваются и сравниваются, а вот выбор оптимизатора чаще всего остаётся почти автоматическим. Для этого авторы предлагают единый бенчмарк 15 оптимизаторов на 17 датасетах в стандартной постановке обучения с учителем. Главный вывод работы — оптимизатор Muon стабильно превосходит AdamW как на простых MLP, так и на более современных архитектурах. Muon выигрывает у AdamW на большинстве датасетов и для всех рассмотренных семейств моделей. Дополнительно авторы показывают, что экспоненциальное скользящее усреднение весов заметно улучшает AdamW на обычных MLP, хотя на более сильных моделях эффект EMA уже менее стабилен. Таким образом, Muon выглядит как новый сильный практический бейзлайн для табличного DL, а AdamW+EMA — как простая и разумная альтернатива. Работа будет полезна исследователям табличного глубинного обучения, разработчикам прикладных моделей для табличных данных и всем, кто хочет строить честные и воспроизводимые пайплайны обучения. статья | код

DPN-Soundness-Verification В репозитории опубликован код для проверки корректности моделей процессов, зависящих от данных, представленных в виде сетей Петри с данными (Data Petri Nets, DPN). Авторы рассматривают более реалистичный сценарий, где поведение процесса определяется не только его структурой, но и значениями переменных. Главный результат работы — новый алгоритм проверки так называемой корректности с учётом данных. Авторы показывают, что один из прежних алгоритмов в общем случае даёт неверный результат и может не замечать некоторые случаи зацикливания. Чтобы исправить это, они предлагают сначала уточнить модель, разбивая переходы, которые изменяют переменные внутри циклов, затем добавить специальные немые переходы и после этого построить систему переходов с метками, где вершина описывает не одно конкретное состояние, а целое множество состояний с одинаковой маркировкой и разными значениями переменных. Метод реализован в виде исследовательского прототипа — настольного приложения на .NET с импортом моделей, визуализацией сети и проверкой через SMT-решатель Z3. Эксперименты показывают, что для моделей размером до 30 переходов проверка обычно занимает меньше 20 секунд, а для моделей до 60 переходов — меньше 10 минут. Код инструмента опубликован в открытом репозитории DataPetriNet. Работа будет полезна исследователям в области анализа и верификации процессов, формальных методов и process mining, а также разработчикам систем, где ход выполнения зависит от данных и условий принятия решений, а значит требует более строгой проверки, чем обычные модели бизнес-процессов. статья | код

SynEL В репозитории опубликован код SynEL — синтетического бенчмарка для связывания именованных сущностей и задач извлечения знаний из текста. Авторы рассматривают практический сценарий построения графа знаний из неструктурированных данных, где нужно не только распознавать сущности и отношения, но и правильно сопоставлять найденные упоминания с записями во внешней базе знаний. Основной акцент сделан на сущностях, которые плохо представлены в обучающих корпусах больших языковых моделей. Это особенно важно для прикладных задач вроде клиентской поддержки, корпоративных баз и внутренних реестров, где встречаются малоизвестные компании и похожие по контексту названия. Ключевая идея работы — генерировать не просто синтетические тексты, а сразу тексты с заранее заданным “правильным” ответом для линковки сущностей. Вместо наивной схемы, где модель сначала пишет диалог, а потом сама пытается разметить в нём сущности, авторы сначала выбирают сущности и связи из графа знаний, а затем заставляют LLM построить диалог, в котором эти сущности естественно появляются. Это позволяет получить реалистичные диалоги с корректной привязкой к идентификаторам в базе. В работе использованы два источника данных: энциклопедический DBpedia и российский реестр компаний ЕГРЮЛ, а также дополнительная схема с псевдонимизацией реальных диалогов. Авторы отдельно проверяют качество полученной разметки вручную. На выборке из 800 диалогов синтетические данные показывают итоговый F1 по всем типам сущностей составляет около 0.97 как для английских диалогов на DBpedia, так и для русских диалогов на основе ЕГРЮЛ. Работа будет полезна исследователям LLM, специализирующихся в графах знаний и галлюцинациях, а также командам, которые строят LLM-системы для корпоративных данных, клиентской поддержки и отраслевых реестров, где особенно важна работа с редкими и слабо представленными сущностями. статья | код

Activation_Pruning В репозитории опубликован код метода Activation_Pruning — подхода к активационному прунингу нейросетей, основанного на идеях термодинамики. Авторы предлагают смотреть на распределение активаций как на физическую систему с энергетическими состояниями. Прунинг в такой интерпретации становится отбором состояний по энергетическому порогу. Это позволяет ввести термодинамические характеристики — плотность состояний, энтропию, внутреннюю энергию и, главное, свободную энергию, которая используется как основной индикатор того, когда pruning начинает разрушать качество модели. Ключевая идея работы состоит в том, что резкое ухудшение точности при прунинге похоже на фазовый переход. Пока порог невелик, модель почти не теряет качество, но после некоторого критического значения начинается быстрый спад точности. Авторы показывают, что такие переходы можно обнаруживать по поведению свободной энергии: по её экстремумам, точкам перегиба и изменению кривизны. Это даёт способ заранее оценить критический порог прунинга без полного перебора всех вариантов и без дорогостоящей серии экспериментов. Метод проверяется на большом наборе архитектур и задач. Авторы показывают, что предложенный критерий работает устойчиво и на компьютерном зрении, и на задачах обработки текста, а сама термодинамическая интерпретация даёт не только практический инструмент для прунинга, но и более глубокое понимание того, как нейросети теряют функциональную устойчивость при росте разреженности. Работа будет полезна исследователям в области сжатия нейросетей, разреженного и эффективного инференса, а также инженерам, которые хотят подбирать уровень прунинга не эмпирически, а с опорой на более интерпретируемый и теоретически обоснованный критерий. статья | код

🎉 Стартовал второй конкурс проектов с открытым кодом для студентов ФКН НИУ ВШЭ 2026! 🎉 Приглашаем вас принять участие в конкурсе проектов с открытым исходным кодом. Это отличный шанс прокачать свои навыки, сделать вклад в open-source сообщество и выиграть призы! 📌 Цель конкурса – Популяризировать открытые проекты среди студентов ФКН НИУ ВШЭ. – Поощрить создание и публикацию собственных разработок с открытым исходным кодом. 👥 Кто может участвовать – Аспиранты и студенты всех курсов и направлений подготовки ФКН. – Индивидуальные авторы и команды. Принимаются проекты любых форматов: * Результаты курсовых работ (КР) * Выпускные квалификационные работы (ВКР) * Любые другие инициативные разработки 🚀 Что вас ждет 🚀 - Прокачка навыков - Интеграция в мировое open-source сообщество - Подарки и награды победителям конкурса 📝 Как стать участником 1) Заполните заявку на сайте конкурса 2) Прикрепите ссылку на репозиторий вашего проекта (GitHub/GitLab/GitVerse) 3) Вопросы по конкурсу можно писать нам в чат Прием заявок до 15 июля 2026 💻 Награждение победителей планируется 01 октября 2026 🏆