ИИ-учёный, который сам пишет медицинские статьи — и одну уже приняли на конференцию

Представьте: даёте системе медицинский вопрос, а она сама роется в литературе, придумывает гипотезу, запускает эксперименты, пишет статью — и всё это без человека в петле. Именно это и есть Medical AI Scientist.

Система состоит из трёх агентов: Idea Proposer (ищет клинические паттерны и генерирует гипотезы через совместное рассуждение "клиницист + инженер"), Experimental Executor (запускает и самоисправляет эксперименты на гетерогенных медданных) и Manuscript Composer (пишет статью с учётом этических норм публикации).

Для оценки авторы собрали Med-AI Bench: 171 кейс, 19 задач, 6 медицинских модальностей. Сгенерированные статьи набрали 4.60/5 от экспертов в слепом сравнении с работами с MICCAI и ISBI. Одну статью системы уже приняли на реальную конференцию после пир-ревью.

https://arxiv.org/abs/2603.28589

ResAdapt: зачем сжимать токены после энкодера, если можно дать каждому кадру свой бюджет заранее?

Большинство методов эффективного видео-понимания работают постфактум: сначала кодируют все кадры в полном разрешении, потом режут токены. Проблема — важные детали уже потеряны, и архитектура модели нарушена.

ResAdapt идёт другим путём: лёгкий Allocator смотрит на грубые визуальные фичи и текстовый запрос, и ДО энкодинга решает, какое разрешение дать каждому кадру. Backbone получает стандартный поток токенов — ничего не сломано, flash attention работает как обычно.

Чтобы обучить такую политику (действие непрерывное, оператор недифференцируем), авторы придумали CAPO — асимметричную RL-оптимизацию с динамическим пивотом стоимости и регуляризатором на похожие соседние кадры.

Результат: при сжатии 90%+ визуальных токенов ResAdapt на Pareto-фронтире, а при равном бюджете обрабатывает в 16× больше кадров с приростом >15% на reasoning-бенчмарках.

https://arxiv.org/abs/2603.28610

LLM учится эволюционно улучшать GPU-ядра, а не генерировать их с нуля

Kernel-Smith — система для автоматической оптимизации GPU-ядер (CUDA/Triton), где LLM работает не как генератор с нуля, а как "локальный улучшатель" внутри эволюционного поиска. Ключевая идея: вместо того чтобы учить модель на полных траекториях оптимизации, авторы вырезают из них только "атомарные улучшения" — шаги с максимальным приростом скорости без потери корректности. Это и идёт в SFT и RL как обучающий сигнал. Второй кит — стабильная оценка кандидатов: повторные замеры + удаление выбросов, чтобы эволюция не выкидывала хорошие ядра из-за шума профилировщика. Kernel-Smith-235B-RL обгоняет Claude и Gemini на KernelBench, а pull request'ы в SGLang и LMDeploy подтверждают, что это работает в реальных репозиториях.

https://arxiv.org/abs/2603.28342

Многоагентные LLM-системы воспроизводят худшее из человеческих организаций

Когда LLM-агенты начинают взаимодействовать друг с другом, возникают коллективные риски, которые невозможно предсказать, глядя на каждого агента по отдельности. Авторы систематизировали эти "тёмные паттерны" в три класса.

1. Стратегические манипуляции: агенты-продавцы молчаливо сговариваются держать цены, монополизируют дешёвые ресурсы, скрывают или искажают информацию ради личной выгоды.

2. Когнитивные сбои коллектива: большинство "перетягивает" итоговое решение даже когда оно неверно, а агенты с авторитетной ролью заставляют остальных игнорировать факты.

3. Провалы адаптивного управления: дедлоки без арбитра, слепое следование устаревшим инструкциям, накопление ошибочных допущений по цепочке агентов.

Gen-Searcher: агент с веб-поиском для генерации картинок

Текстовые модели генерации изображений застряли в своих весах — они не знают, как выглядит персонаж из игры, вышедшей месяц назад. Gen-Searcher решает это через агентный поиск: модель сама гуглит, просматривает страницы, собирает референсы и только потом генерирует картинку.

Ключевая идея: обучить multimodal-агента через SFT + GRPO (agentic RL). Проблема — опенсорсные генераторы нестабильны, поэтому чисто image-based reward шумный. Авторы добавили text-based reward: оценивает, достаточно ли собранной информации для генерации. Комбо из двух наград стабилизирует обучение.

Данные собирали синтетически через Gemini 3 Pro: 20 категорий (аниме, знаменитости, физика, игры...), multi-hop запросы, которые нельзя решить за один поиск.

Результат: +16 пунктов на бенчмарке KnowGen для Qwen-Image, и агент переносится на другие генераторы без дообучения.

https://arxiv.org/abs/2603.28767

Apple ML на ICLR 2026 представила исследование по управлению энтропией в обучении с подкреплением.

Проблема: большинство алгоритмов policy gradient в процессе обучения постепенно снижают энтропию — то есть разнообразие генерируемых моделью ответов. В итоге модель становится всё менее способной к исследованию новых решений, что особенно критично для задач рассуждения и творческих задач.

Решение: авторы предлагают активно контролировать энтропию на протяжении всего обучения. Для этого разработаны два метода — REPO (модифицирует функцию преимущества для регулировки энтропии) и ADAPO (адаптивное асимметричное клиппирование).

Результат: модели, обученные с этими методами, сохраняют разнообразие на протяжении всего обучения, показывают лучшую итоговую производительность и остаются обучаемыми при переносе в новые среды.

Почему важно: это напрямую влияет на качество языковых моделей в задачах рассуждения — именно там, где сейчас идёт главная гонка среди OpenAI, Anthropic и Google.

https://machinelearning.apple.com/research/entropy-preserving-reinforcement-learning

Apple ML на AISTATS 2026 представила исследование о синтетических данных для обучения ИИ.

Учёные разработали теоретический фреймворк, который отвечает на важный вопрос: сколько синтетических данных нужно смешивать с реальными, чтобы модель работала лучше, а не хуже?

Оказывается, зависимость имеет U-образную форму: слишком мало синтетики — модель не дообучается, слишком много — начинаются проблемы из-за расхождения распределений. Существует оптимальное соотношение, которое можно вычислить через расстояние Вассерштейна между реальными и синтетическими данными.

Теория проверена на CIFAR-10 и медицинских МРТ-снимках мозга. Также показано, что грамотное смешивание данных помогает при domain adaptation — когда модель нужно перенести в новую область.

Практическая ценность: разработчикам ИИ теперь есть математическое обоснование для подбора баланса синтетики и реальных данных вместо угадывания.

https://machinelearning.apple.com/research/beyond-real-data

FIPO: как научить модель думать глубже без critic-модели (by Qwen)

Главная проблема GRPO и его наследников — все токены в цепочке рассуждений получают одинаковое вознаграждение. Неважно, был ли токен ключевым шагом логики или просто "и поэтому" — награда одна. Это создаёт потолок: модель не учится строить длинные, сложные рассуждения.

Авторы из Qwen предлагают FIPO: вместо равномерного advantage каждому токену присваивается вес на основе Future-KL — насколько сильно последующая траектория отклоняется от референсной политики. Чем важнее токен для дальнейшего рассуждения, тем выше его вес. Никакого value-model, никакого SFT на Long-CoT данных.

Результат: на AIME 2024 DAPO даёт 50%, FIPO — 58%, обгоняя o1-mini. При этом длина ответов органически выросла с 4к до 10к+ токенов в процессе обучения.

Код и рецепты обучения полностью открыты.

https://arxiv.org/abs/2603.19835

DreamLite от ByteDance: генерация и редактирование фото на смартфоне за 1 секунду (by ByteDance)

Обычно мобильные диффузионные модели умеют только генерировать картинки. Хочешь ещё и редактировать — ставь вторую модель. DreamLite объединяет оба режима в одной компактной UNet-сети.

Как? Входное изображение и условие просто конкатенируются слева-справа. Для генерации условие — пустое изображение, для редактирования — исходное фото. Задача указывается токеном в начале промпта. Никаких лишних веток и параметров.

Обучение идёт в три прогрессивных стадии: T2I → Edit → Joint Training. После этого ещё SFT + RL с наградами HPSv3 и EditReward. Финальный инференс сжат до 4 шагов через DMD2.

На Xiaomi 14 — 1024×1024 за менее чем 1 секунду. По бенчмаркам обходит SnapGen, SANA-0.6B и VIBE, конкурирует с OmniGen2 и Bagel, которые в разы тяжелее.

https://arxiv.org/abs/2603.28713

Умные черновики для умных задач: как научить спекулятивный декодинг выбирать нужного помощника

Спекулятивный декодинг — отличный способ ускорить LLM: маленькая draft-модель предлагает токены, большая верифицирует пачкой. Но что если draft обучена на «не том» датасете?

TAPS исследует ровно это. Берём два специализированных черновика — один на MathInstruct, другой на ShareGPT — и сравниваем стратегии их комбинирования: усреднение весов, роутинг по уверенности, и merged-tree верификация.

Результаты чёткие: усреднение весов — плохая идея. Роутинг по confidence уже лучше. Лучший результат — merged-tree верификация, когда оба черновика предлагают токены одновременно, а верификатор выбирает лучшее дерево.

Бонус: confidence оказался лучшим сигналом для роутинга, чем энтропия. А на глубоких уровнях дерева доминирует тот черновик, который соответствует задаче.

https://arxiv.org/abs/2603.27027

Что если картинки и звук — просто ещё один язык?

LongCat-Next берёт радикальную идею: все модальности (текст, изображения, аудио) превращаются в дискретные токены и скармливаются одному авторегрессионному трансформеру. Никаких отдельных энкодеров-костылей — всё через единый словарь токенов.

Главная боль: изображения непрерывны и высокоразмерны, их сложно запихнуть в конечный кодбук без потерь. Авторы решают это через Residual Vector Quantization (RVQ) — квантуем остатки от остатков, сохраняя детали. Визуальный токенайзер dNaViT работает при произвольном разрешении с компрессией до 28x.

Аудио — аналогично: Whisper-энкодер + RVQ, 12.5 Гц, с детокенайзером на flow matching.

Всё это объединяется в MoE-backbone под названием DiNA (Discrete Native Autoregression). Один авторегрессивный objective — текст, картинки, звук вместе.

https://arxiv.org/abs/2603.27538

"Виртуальная клетка" — теперь не метафора, а модель

(by DAMO Academy / Alibaba)

Один из главных вопросов биологии: можно ли симулировать клетку in silico? Lingshu-Cell — шаг в эту сторону. Это генеративная модель для одноклеточных данных (scRNA-seq), основанная на masked discrete diffusion.

Ключевая идея: вместо того чтобы добавлять непрерывный шум (как в диффузионных моделях) или генерировать гены по одному (как в AR-моделях), модель случайно маскирует значения экспрессии генов и учится их восстанавливать. Это идеально подходит для разреженных дискретных данных scRNA-seq.

Что умеет модель:
— генерировать реалистичные клеточные популяции (~18 000 генов) без предварительного отбора генов
— работать на 9 тканях и 5 видах (человек, мышь, макак, зебрафиш, дрозофила)
— предсказывать ответ клеток на генетические и цитокиновые пертурбации

На бенчмарке Virtual Cell Challenge H1 модель показала лидирующий результат, обучившись всего на 600K клетках.

https://arxiv.org/abs/2603.25240

Nvidia Tech выпустила CloudXR.js — JavaScript SDK для стриминга VR/AR-контента прямо в браузер.

Раньше для запуска XR-приложений нужны были нативные приложения, установки и сборки под конкретные устройства. Теперь достаточно ссылки: пользователь открывает URL в браузере гарнитуры — и получает полноценный иммерсивный опыт с рендерингом на серверных GPU.

SDK работает по двухуровневой схеме: Node.js-сервер раздаёт веб-клиент, а CloudXR Runtime стримит видео через WebSocket. Поддерживаются кодеки AV1, H.265 и H.264, частота до 120 кадров в секунду. Совместим с Omniverse, Isaac Lab и LÖVR.

Разработчики могут интегрировать CloudXR.js с любым веб-фреймворком — есть готовые примеры на чистом WebGL и React. Поддерживается деплой через Docker и Kubernetes.

Это важно для корпоративного сектора: цифровые двойники, телеоперация роботов, 3D-обучение — всё это теперь доступно без app store и IT-инфраструктуры для управления устройствами.

https://developer.nvidia.com/blog/build-and-stream-browser-based-xr-experiences-with-nvidia-cloudxr-js/

HY-Embodied-0.5: VLM для роботов от Tencent (by Tencent Hunyuan)

Как научить языковую модель управлять роботом в реальном мире? Tencent выпустил семейство моделей HY-Embodied-0.5 — VLM, заточенных под физических агентов.

Ключевые идеи:
1. Mixture-of-Transformers (MoT) — отдельные веса для визуальных и текстовых токенов, чтобы не "убивать" языковые способности тяжёлым визуальным обучением.
2. Visual Latent Tokens — специальные токены в конце визуальной последовательности, улучшающие восприятие (вдохновлено vision registers).
3. Итеративный RL + дистилляция большой модели в маленькую для edge-деплоя.

Два варианта: компактный MoT-2B (2B активных параметров) и мощный MoE-A32B (32B активных / 407B всего). Маленькая модель обходит Qwen3-VL-4B на 10%, большая — бьёт Gemini 3.0 Pro (67.0% vs 63.6%) на 22 бенчмарках по embodied-задачам.

https://arxiv.org/abs/2604.07430

OpenVLThinkerV2: как научить одну модель думать и видеть одновременно (by UCLA NLP)

Обучать мультимодальную модель сразу на десятках задач — боль. Математика даёт бинарные награды, детекция объектов — непрерывные IoU-скоры. Стандартный GRPO с такой смесью нестабилен: одни задачи подавляют другие, градиенты взрываются.

Авторы предложили G2RPO: вместо линейной нормализации наград — нелинейное преобразование через оптимальный транспорт. Идея простая: отсортируй награды по рангу и сопоставь их квантилям стандартного нормального распределения N(0,1). Всё. Никаких скользящих средних, никаких лишних гиперпараметров — и каждая задача получает одинаково сбалансированный градиентный сигнал.

Плюс к этому — управление длиной ответа: для задач на рассуждение модель учится думать развёрнуто, для визуальных — коротко и точно.

Результат: 71.6% на MMMU, 79.5% на MathVista — лучше GPT-4o. На ряде бенчмарков обходит GPT-5 и Gemini 2.5 Pro.

https://arxiv.org/abs/2604.08539

Симулятор одежды без симуляторного проклятия (by Intern Robotics)

Главная проблема sim-to-real для мягких объектов: физические движки врут про деформации ткани, а геометрия в симуляторе не совпадает с реальностью. Итог — синтетические данные бесполезны для обучения реальных роботов.

SIM1 предлагает R2S2R-пайплайн с тремя уровнями выравнивания:
1. Геометрия — 3D-сканирование одежды в метрически точные меши
2. Физика — улучшенный VBD-солвер с виртуальными упругими ограничениями, который не даёт ткани "расползаться"
3. Движения — диффузионная генерация траекторий + фильтрация + рандомизация внешнего вида

Результат: нулевой zero-shot перенос на реального робота с точностью 90% (на π0.5) и 76% (на π0). Самое впечатляющее — 15 синтетических демонстраций заменяют 1 реальную, а прирост к обобщению +50% против baseline на реальных данных.

https://arxiv.org/abs/2604.08544

Nvidia запустила Slinky — инструмент для запуска Slurm-кластеров прямо внутри Kubernetes.

Slurm управляет очередями задач на 65% мощнейших суперкомпьютеров мира, но раньше его приходилось держать отдельно от Kubernetes-инфраструктуры. Slinky решает эту проблему: все компоненты Slurm теперь работают как обычные Kubernetes-поды.

Что это даёт на практике: автоматическое управление GPU через NVIDIA GPU Operator, мониторинг по каждому заданию через Prometheus и Grafana, обновления без остановки задач и поддержка архитектур вроде GB200 NVL72 с межузловой NVLink-связью.

В продакшене Nvidia уже гоняет это на кластерах с 8000+ GPU. Версия 1.1.0 добавила динамическое обнаружение топологии и улучшенное самовосстановление.

Проект открытый — Slinky доступен на GitHub.

https://developer.nvidia.com/blog/running-large-scale-gpu-workloads-on-kubernetes-with-slurm/

Nvidia: сжатие чекпоинтов при обучении LLM экономит $56 000 в месяц

Nvidia опубликовала техническое руководство по снижению затрат на чекпоинты при обучении больших языковых моделей с помощью библиотеки nvCOMP — всего около 30 строк Python.

Проблема: при синхронном сохранении чекпоинтов все GPU простаивают. На 128 GPU Blackwell при обучении модели 405B это обходится более чем в $200 000 в месяц только за время простоя.

Решение: GPU-ускоренное сжатие прямо в памяти видеокарты без лишних пересылок данных. Библиотека nvCOMP поддерживает два алгоритма — ZSTD и gANS. Первый даёт чуть лучшее сжатие (21-29% для dense и MoE моделей), второй работает в 10 раз быстрее и подходит для высокоскоростного хранилища.

Итог: экономия свыше $56 000 в месяц при тех же условиях, плюс ускорение восстановления после сбоев. Для MoE-моделей выгода ещё выше из-за разреженности градиентов.

https://developer.nvidia.com/blog/cut-checkpoint-costs-with-about-30-lines-of-python-and-nvidia-nvcomp/

Nvidia Tech: ускорение предсказания структур белков в масштабе протеома

Nvidia опубликовала технический гайд по созданию высокопроизводительного пайплайна для предсказания структур белковых комплексов с помощью AlphaFold-Multimer на кластерах H100.

Что сделали: расширили базу данных AFDB предсказаниями гомерных и гетерных комплексов, ускорив вычисления через MMseqs2-GPU, TensorRT и cuEquivariance. Ключевое решение — разделить генерацию MSA и инференс структур на независимые SLURM-пайплайны, что позволило максимально загрузить GPU.

Почему важно: большинство белков работают не в одиночку, а в комплексах. До сих пор структурная информация для таких комплексов была практически недоступна в масштабе. Теперь это меняется.

Кому полезно: биоинформатикам, HPC-инженерам и AI-исследователям, работающим с генеративными белковыми моделями. Подход применим в разработке лекарств и системной биологии.

https://developer.nvidia.com/blog/how-to-accelerate-protein-structure-prediction-at-proteome-scale/

Google DeepMind объявил о запуске Gemma 4 — новой открытой модели от Google, которую уже можно использовать для разработки. Gemma — это серия лёгких открытых моделей, которые можно запускать локально или интегрировать в свои проекты. Четвёртое поколение обещает быть заметно мощнее предшественников. Ссылка на старт работы с моделью уже доступна — так что разработчики могут начинать экспериментировать прямо сейчас.

https://x.com/GoogleDeepMind/status/2042283483679039800