🎓 Работы выпускников. Как научить ИИ генерировать README для проектов с открытым кодом

У открытого репозитория без README не разобраться — это его описание и точка входа. Но писать и поддерживать его руками долго, поэтому README часто устаревает или его нет вовсе.

Захар Попов, выпускник магистратуры ФТИИ по программе «Искусственный интеллект в промышленности», в дипломной работе собрал конвейер, который генерирует README автоматически — для репозиториев на GitHub, GitLab, GitVerse и SourceCraft. Научный руководитель — Николай Никитин.

Это не отдельный скрипт, а модуль проекта OSA — открытой разработки лаборатории АИСТ. Внутри — мультиагентная система с циклом самооценки: она не просто генерирует README, а сама проверяет и улучшает результат.

Чем работа сильна:
🔹 README собирается в один клик — не нужно вручную писать и обновлять документацию;
🔹 Захар в команде OSA с самого зарождения проекта: за два года видел, как тот растёт — новые возможности, конференции, статьи;
🔹 больше всего в работе ему было ценно проектировать архитектуру вместе с командой и доводить первые прототипы до рабочего результата.

Работу Захара отдельно отметила государственная экзаменационная комиссия.

Где это пригодится: всюду, где у проекта с открытым кодом должен быть понятный README, но писать его руками некогда.

Что дальше — Захар продолжит развивать OSA в составе команды.

Репозиторий с кодом: https://github.com/aimclub/OSA

#работы_выпускников

Мини-игра "найди на фотографии аспиранта ФТИИ и м.н.с. NSS Lab Андрея Гетманова, принявшего участие в Школе AIRI 2026, прошедшей недавно в Усть-Лабинске".

В ходе школы Андрей реализовал проект "Continual learning in audio deep fake detection":

Проект посвящён разработке системы непрерывного обучения для обнаружения аудиодипфейков. Современные детекторы быстро теряют актуальность по мере появления новых моделей синтеза и преобразования голоса, а обычное дообучение на новых типах атак может ухудшать качество распознавания уже известных дипфейков. Цель проекта - создать подход, который позволит модели последовательно адаптироваться к новым генераторам и доменам без катастрофического забывания ранее изученных атак. Итогом исследования должен стать воспроизводимый бенчмарк и улучшенный метод детекции, способный сохранять качество на старых атаках и эффективно осваивать новые.

По результатам готовится А*-статья.

Работа магистрантов ФТИИ Ивана Кирпичева и Эльдара Курманалиева (под руководством Анны Калюжной) под названием "Towards Ontology-Driven Multi-Hop Benchmark for Corporate GraphRAG Systems" успешно представлена в Бремене - на тематическом archival-воркшопе А*-конференции IJCAI.

Cтатья посвящена созданию основанного на корпоративной онтологии бенчмарку для GraphRAG-систем, проверяющему их способность отвечать на сложные многошаговые вопросы из финансовой сферы. Он включается 4000 провалидированных экспертами пар вопрос-ответ, разделенных на 4 категории, а также массив сырых данных.

Статью приняли сразу на устный и постерный формат.

Cсылка для цитирования:

@ inproceedings{kirpichev2026towards,
title={Towards Ontology-Driven Multi-Hop Benchmark for Corporate GraphRAG Systems},
author={Kirpichev, Ivan and Kurmanaliev, Eldar and Bushmelev, Fedor and Abramov, Maxim and Korepanova, Anastasiia and Kalyuzhnaya, Anna and Nikitin, Nikolay},
booktitle={Joint Workshop on Generative AI and Knowledge Graphs and Knowledge Graphs Agentic Systems Interplay},
year={2026}
}

В канале ИТМО пишут про нашу разработку - спин-офф Осы: https://github.com/ITMO-NSS-team/osa.edu

Основные авторы от лаборатории - Андрей Гетманов, Илья Соколов, Даниил Ежов и Егор Фёдоров (студент ФТИИ и участник учебно-научной лаборатории AIST).

На днях вышла новая журнальная статья - в IEEE Geoscience and Remote Sensing Letters (Q1).

Deep Learning for Super-Resolution of Sea Ice Concentration: Case Study of OSISAF Down-Scaler
Авторы: Юлия Борисова, Дмитрий Морозов, Дмитрий Гилемханов, Николай Никитин

Помимо уже знакомых подписчикам имен сотрудников NSS Lab, свою первую статью выпустил Дмитрий - студент бакалавриата ИИИ ИТМО и участник учебно-научной лаборатории AIST.

Это расширенная версия работы с воркшопа Machine Learning for Remote Sensing на ICLR 2026. Задача здесь практическая: как получить детальные карты концентрации морского льда, если исторические спутниковые данные доступны только в относительно низком разрешении?

В качестве исходных данных используется продукт OSI SAF с пространственным разрешением около 25 км. При этом существует более детальный продукт MASAM2 с разрешением около 4 км, в котором данные дополнительно уточняются с использованием нескольких источников. Проблема в том, что такая детальная информация доступна далеко не для всей исторической ретроспективы.
Идея работы - научить нейросеть восстанавливать MASAM2-подобные поля из одного только OSI SAF. То есть несколько источников данных нужны во время обучения, а после обучения модели достаточно только грубого поля концентрации льда. В результате этот подход потенциально позволяет получить более детальное представление исторических данных, для которых MASAM2 ещё не существовал.

Что получилось:

Super-resolution. Модель увеличивает пространственное разрешение примерно с 25 до 4 км и при этом не просто «растягивает» картинку, а восстанавливает более реалистичную геометрию ледовой кромки. У Light U-Net MAE составляет 0.010 и SSIM — 0.961. Для сравнения, у билинейной интерполяции MAE — 0.071, а SSIM — 0.879.

Простая архитектура. Помимо облегчённого U-Net мы проверили Attention U-Net. Добавление attention-механизмов практически не улучшило качество: обе модели дают MAE около 0.010 и SSIM около 0.961. Поэтому в данном случае более сложная архитектура не окупается. Аналогично сравнение было выполнено и с архитектурой conditional diffusion (аналогично, она не дает улучшения в качестве).

Применимость для исторических данных. Метод, который напрямую использует дополнительные контуры льда MASIE, лучше работает по части метрик ледовой кромки. Но ему эти дополнительные данные нужны непосредственно при построении каждого поля. Нейросети после обучения достаточно только OSI SAF - и именно это делает подход интересным для восстановления длинных исторических рядов.

В итоге задача здесь немного шире классического super-resolution: мы пытаемся перенести информацию из более богатого многосенсорного продукта в модель так, чтобы затем использовать её для улучшения данных, где доступен только один источник.

Код: https://github.com/ITMO-NSS-team/GRSL_masam2_downscaling

Делаем вместе с коллегами из Sber AI Lab конференцию в Москве - welcome всем желающим! Будут доклады от NSS Lab.

Наше сотрудничество с меж-университетской командой RAGU тоже продолжается - на archival-воркшоп DocInsights 2026 принята совместная с Иваном Бондаренко из НГУ статья When Harness Beats Scale, and When Reading Beats Both (пока выложили как препринт). Написана по мотивам участия Ивана в соревновании DocSem.

Статья будет представлена на EMNLP вместо с основной статьёй про RAGU, принятой на EMNLP Demo.

Следующая статья цикла уже рецензируется на ICLR, ко второй части соревнования тоже попробуем подступиться.