«Люди галлюцинируют больше, чем LLM, только в языковых моделях мы это критикуем и стараемся исправить, а когда человек что-то несуразное скажет, ты обязан уважать его взгляд на мир»
(с)

Удивительно! Еще в школе много думала, реализуемо ли это на практике. Тогда еще казалось, что нет

Сегодня случайно наткнулась на работу, которая просто выбила меня из колеи! Оказалось, что японские ученые вживили хлоропласты в клетки млекопитающих и заставили их работать! И хлоропласты продолжили фотосинтезировать внутри клеток 🤯 Мне очень нравятся работы такого рода, где на грани фантастики соединяются биология и новые технологии. Так что этот эксперимент буквально внезапно вывел меня за пределы обычного мышления и даже чуточку помог мне выйти из застрявшего состояния (отчет по гранту).

Префронтальная кора моего головного мозга окончательно сформировалась на ICLR

Пример того, почему так важно учиться визуализации данных и культуре презентации результатов

cursed timeline

Интересная и короткая обзорная статья про то, как еще можно использовать графы знаний для LLM.

Предлагается составлять граф структурных и семантических связей веб-страниц для оценки и составления бенчей для веб-агентов. В комментариях обсуждения еще интереснее - кто-то считает, что это уход от той гибкости, которую нам давали LLM в сторону четко заданных алгоритмов; а кто-то наоборот считает, что это удачное дополнение для оценки сложноинтерпретируемых систем.

Выложили препринт Wikontic-a, пайплайна для извлечения графов знаний из текста, который позволяет графам быть более компактными и согласованными с онтологией (в данном случае с онтологией Wikidata).

Будем благодарны upvote!

https://huggingface.co/papers/2512.00590

репо - https://github.com/screemix/Wikontic

Между конференциями, пока все в ожидании ревью на свои работы и процессе написания ревью на работы коллег, предлагаю почитать небольшую статью Айдара о том, как прошел AAAI-2026.

Каждый уже, наверное, слышал про SAE — разреженные автоэнкодеры — способные интерпретировать нейронные сети.

Популярность SAE обязаны публикациям исследований от Anthropic. Однако не смотря на весь хайп, с последующими попытками применить и исследовать эти автоэнкодеры возникали сомнения в том, насколько они способны обнаруживать важные и полезные фичи.

Что если на самом деле SAE не обучаются значимым признакам — они лишь немного лучше случайных моделей?

Коллеги показали, что SAE в их текущем виде недостаточно надежны для декомпозиции и понимания внутренних механизмов моделей. Существующие метрики для SAE (reconstruction, interpretability scores, sparse probing, causal editing) недостаточны для оценки того, выучили ли автоэнкодеры полезные и важные фичи.

Также авторы предлагают простые методы проверки, позволяющие убедиться в том, что SAE обучаются осмысленным разложениям признаков, чтобы дополнить их оценку.

Читаем статью и ставим апвоуты на хф!

В продолжении заметки Айдара о наших похождениях на AAAI, предлагаю почитать о статье, которую мы презентовали на демо-сессии AAAI-2026 на русском языке на хабре.