Издательство Elsevier опубликовало новую базу данных по публикационной активности самых успешных учёных мира 🔖

База содержит ключевые показатели: количество публикаций, число цитирований, индекс Хирша с учётом и без учёта самоцитирования, а также производные параметры. На основе этих данных каждому учёному присваивается ранг в общем рейтинге и в рейтинге по научным областям. База охватывает топ-2% исследователей по этим показателям в мире.

В этом году в этот список от AIRI были включены:
⚫️доктор физико-математических наук, профессор РАН, генеральный директор AIRI Иван Оселедец — 35 977-е место в общем рейтинге и 790-е в области Artificial Intelligence & Image Processing
⚫️доктор физико-математических наук, ведущий научный сотрудник AIRI, руководитель Центра искусственного интеллекта Сколтеха Евгений Бурнаев — 340 211-е место в общем рейтинге и 7 813-е в области Artificial Intelligence & Image Processing

Поздравляем коллег с этим достижением! 🎁

В эти выходные исследователи AIRI выступят на международном фестивале «Наука 0+» 💡

📆11 октября, 16:00–17:00
Лекция «ИИ-агенты»
Ярослав Беспалов, руководитель группы «Мультимодальные архитектуры ИИ» лаборатории «Сильный ИИ в медицине» Института AIRI

ИИ-агенты — интеллектуальные системы, которые самостоятельно взаимодействуют с окружающей средой, принимают решения и обучаются. Как они устроены? Чем отличаются от традиционных алгоритмов? Какие перспективы открываются в разных сферах?

Где: Кампус Центрального университета, ул. Гашека, 7 стр.1
Регистрация

📆12 октября, 12:15–13:15
Лекция «На пути к сильному ИИ»
Иван Оселедец, доктор физико-математических наук, профессор РАН, генеральный директор Института AIRI

Большие языковые модели уже решают сложные задачи и доказывают теоремы, но порой совершают ошибки. В лекции — обзор современных подходов к развитию сильного ИИ: рассуждения, мультиагентные системы, эволюция, а также главные вызовы, которые ещё предстоит преодолеть.

Где: Фундаментальная библиотека МГУ, Ломоносовский проспект, 27
Вход свободный или трансляция

📎Подробная программа фестиваля — на сайте.

Новый метод TLG позволяет выявлять нелепые изображения с точностью до 87,5% 🔖

Команда исследователей из группы «Вычислительная семантика» AIRI, Сколтеха, MWS AI и МФТИ представила инновационный подход к одной из сложных задач компьютерного зрения — определению того, нарушает ли изображение здравый смысл.

Люди мгновенно замечают нелепости на картинках, например, рыцаря с мобильным телефоном или пингвина на велосипеде. Искусственному интеллекту это даётся гораздо сложнее: существующие системы распознают объекты, но не всегда понимают их совместимость в рамках здравого смысла.

Новый метод TLG (Through the Looking Glass, «Сквозь зеркало» или «В Зазеркалье» — это отсылка к повести «Алиса в Зазеркалье» Льюиса Кэрролла) предлагает не анализировать само изображение, а исследовать, как большие мультимодальные языково-визуальные модели описывают картинку текстом. Противоречия и галлюцинации в таких описаниях указывают на «странность» изображения.

Для тестов учёные создали масштабный датасет WEIRD — 824 изображения с нелепыми ситуациями, значительно расширивший ранее использовавшийся в сообществе датасет WHOOPS!. Метод TLG превосходит более сложные и ресурсоёмкие системы, достигая до 87,5% точности.

Научная статья | Хабр | Известия

Искусственный интеллект научился переводить древнеегипетские иероглифы 🔖

Группа учёных Института AIRI, ИСП РАН и ИТМО под руководством PhD, ведущего научного сотрудника Ильи Макарова создала систему, которая распознаёт и переводит древнеегипетские иероглифы с высокой точностью. Основой для обучения модели стал “Thesaurus Linguae Aegyptiae”— самое полное собрание древнеегипетских текстов с переводами. Сначала применялись автоматические метрики, затем тексты оценивали профессиональные египтологи из НИУ ВШЭ.

Распознавание иероглифов — сложная задача: вместо алфавита из 30-40 букв система должна «понимать» сотни похожих символов с уникальным значением. Для повышения точности ученые использовали контекстуальные OCR-модели и диффузионные модели, генерирующие реалистичные изображения для расширения обучающего набора.

В ходе проекта создаются новые технологии распознавания рукописных текстов, которые востребованы при создании и обогащении больших языковых моделей в условиях недостатка данных. В перспективе разработку можно будет использовать, например, в мобильных приложениях дополненной реальности.

Разработка уже представлена на международных конференциях SIGGRAPH 2025 и IEEE ISMAR, а несколько научных статей приняты к публикации на ведущих конференциях уровня A*. Система доступна по запросу для специалистов.

📎Подробности – в материале РИА Новостей.

Подробнее о новом бенчмарке для проверки долгосрочного планирования LLM в виртуальных RPG-мирaх — в блоге AIRI на Хабре ⤵️

HeroBench — это бенчмарк, выросший из студенческого проекта школы «Лето с AIRI». Основанный на MMORPG-песочнице Artifacts, он проверяет способность больших языковых моделей к сложному многошаговому планированию и выполнению комплексных задач в виртуальной среде.

Ведущий научный сотрудник, руководитель группы «Нейрокогнитивные архитектуры» Института AIRI Пётр Анохин и команда создали адаптированную версию среды, где агенты выполняют задачи по сбору ресурсов, крафту предметов и сражениям с монстрами. В тестировании приняли участие 25 открытых и проприетарных моделей, включая Gemini 2.5-Pro, Claude-4, Grok-4 и GPT-5. Это позволило определить, на какие современные LLM можно полагаться при планировании сложных процессов.

Команда, начавшая работу над бенчмарком ещё на школе: Роман Халиков, Сбер AGI NLP, МГУ, Виктор Волков, ТГУ и Стефан Ребриков, НИЦ Курчатовский институт, ВШЭ.

📎Читайте по ссылке.

«Холодный старт» в рекомендательных системах требует нового подхода 🔖

Учёные Института AIRI сформулировали новый вызов в развитии рекомендательных систем — отсутствие единого подхода к выбору порога «холодного старта».

Анализ статей за последние 3 года на конференции RecSys показал: лишь 10% исследователей объясняют смысл фильтрации датасетов, и ни один не раскрывает обоснование выбранного порога.

Эффект «холодного старта» возникает, когда в системе появляется пользователь или товар с недостаточным числом взаимодействий. Правильный выбор порога фильтрации — ключ к качественным рекомендациям и корректным научным выводам. Сегодня чаще всего используют «5-core» фильтрацию (не менее 5 взаимодействий), но это решение часто принимается «на глаз».

Исследователи AIRI предложили методику автоматического определения оптимального порога, анализируя влияние числа взаимодействий на качество рекомендаций. Они протестировали популярные алгоритмы — SASRec, PureSVD, ItemKNN, EASER — на четырёх разнообразных датасетах (фильмы, косметика, искусство, пиво). Результаты показали, что оптимальный порог зависит от задачи и модели: например, SASRec требует в три раза больше взаимодействий, чем классические методы. Для честной оценки и воспроизводимости результатов важно обосновывать выбор порогов и использовать единые параметры фильтрации при сравнении моделей.

Работа была представлена на ведущей конференции ACM RecSys.

Научная статья | ТАСС