Запускаем международное соревнование POLAR @ SemEval-2026 , посвященное детекции онлайн-поляризации в соцсетях и медиа.🚀

Отличный шанс для студентов прокачать портфолио и поработать с реальными мультиязычными данными (22 языка). Со-организаторы от России: Елена Тутубалина и Олег Рогов. Вас ждут открытые датасеты, прозрачная официальная оценка и сравнение с командами со всего мира и шанс представить работу на воркшопе SemEval летом 2026 (при отборе). Данные охватывают реальные события, источники - соцсети, форумы, блоги и медиа.

📌 22 языка: включают амхарский, арабский, китайский, немецкий, русский, турецкий, урду и другие.

🔖В соревновании 3 подзадачи для решения:

1. Бинарная детекция поляризации (Polarization);
2. Классификация типа (Political, Religious, Sexual, Racial, Ethnic, Other);
3. Идентификация проявлений (стереотипы, дегуманизация, лексика и пр.).


📆 Ключевые даты:

- Старт оценки: 10 января 2026,
- Завершение оценки: 1 февраля 2026,
- Дедлайн системной статьи: февраль 2026,
- Уведомление об отборе: март 2026,
- Camera-ready версии: апрель 2026,
- Воркшоп SemEval-2026: лето 2026 (локация будет объявлена позднее).

➡️ Присоединяйтесь к любой из подзадач, собирайте команду и отправляйте решения!

🔔 Подробности и регистрация: https://polar-semeval.github.io/

#безопасныйИИ #ml #ИИ #education #AIRI #Этика #semeval2026 #соревнование #SAIL #SafeAILab
🌐The Oleg

Ложь по алгоритму: почему ИИ выбирает красивый ответ вместо честного 🍷

⚫️Интересно, что современные LLM действительно часто не столько сообщают истину, сколько оптимизируют функцию полезности, т.е. «угодить пользователю» или «дать красивый ответ». Это подтверждается исследованиями: например, статья Truth is Universal: Robust Detection of Lies in LLMs выявляет специальные подпространства активаций, по которым модели разделяют правду и ложь, показывает, что модели могут стратегически выбирать ложь при наличии стимула.

⚫️Также работа Why Language Models Lie рассматривает внутренние механизмы, отвечающие за «конфликт подпространств», где модель решает между конкурирующими целями (правдивость vs удовлетворение). Важно понимать, что проблема не только в «галлюцинациях» (ошибках), а именно в том, что стимулы обучения (RLHF, инструкции, метрики вовлечённости) направлены на «похожесть на полезный ответ» больше, чем на достоверность.

Подробнее в материале Компьютерры.

🌐The Oleg

Бегущий по фейкам. Как лучше вычислять искусственных «репликантов» в соцсетях и не попасться самому?📈

⏯Думаешь, что пятиминутные «тренинги по распознаванию фейков» делают тебя неуязвимым? Не спеши верить, человеческий глаз всё так же легко обмануть. Что реально выдаёт подделку, как не стать жертвой аккуратного дипфейка и что делать, если картинка вызывает подозрения — обсудили в эфире «Маяка» вместе с Ритой Митрофановой.

🌐The Oleg