🔥Ну вот и долгожданный тех репорт о GigaEvo подоспел

https://arxiv.org/abs/2511.17592

GitHub: https://github.com/FusionBrainLab/gigaevo-core

Всем приятного изучения, чуть позже доделаем Хабр💪

Чуть выше делился новостью о релизе фреймворка👆

UPD: ссылка из тех репорта заработала — https://github.com/AIRI-Institute/gigaevo-core

10 декабря Сбер проводит «Салют, Гига!» — мероприятие для тех, кто делает AI на практике.

Доклады про последние релизы GigaChat, Kandinsky и GigaData, постерная сессия с командами, воркшопы и карьерная зона.

Если работаете с ML, данными или инфраструктурой — присоединяйтесь!

Участие бесплатное, нужна регистрация.

Выложили нашу работу на Hugging Face для участия в выборе статьи дня, а может и недели, а может и месяца🦾
Будем рады вашим апвоутам и поддержке🙏❤️

https://huggingface.co/papers/2511.17592

А вот я не в космосе был, а на ивенте индустрии недвижимости Domclick Digital Forum. Участвовал в дискуссии «Главные тренды в ИИ: что ждёт рынок и бизнес завтра?» 🦾

Затронули важную для меня тему ИИ в строительстве: какие технологии сейчас используются, можно ли им полностью доверять, с чем ИИ уже справляется, а где без человека не обойтись. Также обсудили ускорение бизнес-процессов, вызовы, сложности при внедрении технологий, обменялись примерами удачных и неудачных кейсов.

Спасибо коллегам за крутой ивент!

В эти выходные прошёл финал международной олимпиады по искусственному интеллекту и анализу данных AIDAO от Яндекс Образования и ФКН НИУ ВШЭ. В ней принял участие с командой мой сотрудник Матвей Скрипкин из группы Multimodality, Александр Югай из МФТИ и Даниил Окунев из ИТМО.

Задача ребят была обучить модель строить карту статических препятствий по четырём изображениям — по сути аналог упрощённого BEV-представления, используемого в автономной навигации.

Они экспериментировали с разными способами кодирования мультикамерного входа, перебрали разные архитектуры для кодирования изображений (классические сверточные модели, Swin Transformer, SigLip2, а также фичи из SAM2), сравнивали их качество и устойчивость, тестировали разные лоссы, использовали LSS для учёта параметров камер, а после получения сильных моделей применили blending. Качество оценивалось по средней IoU. Считался IoU для класса 0 (свободная область, по которой можно ехать) и класса 1 (занятая область, препятствия), после чего брали среднее значение.

Финальная модель на приватном тесте показала значение IoU 0.5609, а у первого места отрыв в третьем знаке — 0.5640.

Ребята, поздравляю! 💪💪💪

Уже и Zoom в гонку ИИ-моделей ворвались

https://www.zoom.com/en/blog/humanitys-last-exam-zoom-ai-breakthrough/

OLMo 3

Это, пожалуй, самый честный и воспроизводимый релиз года. Тут выкатили вообще всё: от исходного кода и 6T токенов (Dolma 3) до каждого промежуточного чекпоинта и точного порядка данных в батчах.

Для тех, кто занимается ресёрчем, это не просто модель, а идеальный полигон для экспериментов.

В техрепорте много «вкусного» (и спорного):

- Delta-DPO: Авторы подтвердили гипотезу, что для ризонинга важнее не качество выбранного ответа, а дельта между ним и отвергнутым. Они брали ответы от Qwen-3 32B (chosen) и сталкивали их с ответами мелкой Qwen-3 0.6B (rejected). Да, выходит off-policy, но видимо когда данных дофига, то норм. Результат: обучение на контрасте между ними работает лучше, чем классическое SFT на идеальных данных.

- OlmoRL: Они переписали инфру для RLVR, разогнав её в 4 раза. Из крутых фишек — Inflight updates (обновление весов акторов прямо во время генерации в vLLM) и Active sampling (динамический добор задач в батч, чтобы градиент не занулялся на слишком простых примерах). KL-дивергенцию из лосса просто выкинули — говорят, так стабильнее.

- Model Souping: Почти на каждом этапе (мидтрейн, лонг-контекст) авторы мерджили чекпоинты налево и направо. Выглядит так, будто основной рецепт обучения всё ещё не супер стабилен, и его приходится полировать различными костылями.

По метрикам флагманская 32B-Think получилась сильно перекошенной в математику. В ризонинге на MATH и AIME приближается к Qwen-3 32B. Но на общих знаниях (MMLU) модель немного проседает. Думаю, ценность тут не в SOTA цифрах, а в возможности увидеть весь цикл обучения изнутри.

Обучение 32B модели заняло 56 дней на кластере из 1024xH100 и обошлось примерно в $2.75M. Почти 9 дней из этого срока ушло на пост-трейнинг (SFT/DPO/RL).

Статья, GitHub

Вот такой подарок принёс мне Тайный Санта в AIRI🔥🔥🔥