🦾 — Робототехника и ИИ: набор в бакалавриат на кафедру ФМИИ до 19 ноября! В программе: RL, компьютерное зрение, NLP, робототехника и современные нейросетевые архитектуры. Вы познакомитесь с разными подходами к ИИ — от обучения моделей до разработки систем, способных самостоятельно действовать в реальном мире. Почему стоит идти к нам? 🔵Две базовые организации: Институт AIRI и ЦКМ МФТИ 🔵Вы сможете проверять результаты своей работы на реальном оборудовании 🔵Сильная команда: более 20 публикаций в год на ведущих научных площадках, возможность участвовать в масштабных исследованиях и ездить на международные конференции 🔵У нас есть оплачиваемая стажировка для студентов, магистратура и аспирантура 🔵Карьерные перспективы как в науке так и в интдустрии. Читайте истории выпускников, которые пошли в Сбер, MILA, ЦКМ 🪼Подавайте заявку до 19 ноября по ссылке. Жизнь кафедры — на фотографиях: поездки на международные конференции уровня А*, крупные гранты, выезды в полевые условия, новые роботы и увлечённый коллектив! Присоединяйтесь, чтобы на следующих фото появились и вы✨ Презентацию программы, учебный план и другие подробности можно посмотреть на сайте.

Второй день в Будапеште 📍 Сегодня на EMNLP Никита Качаев и Алексей Староверов из группы «Воплощённые агенты», Андрей Москаленко из группы «ИИ для роботов», Альбина Бурлова из группы «Прикладное NLP», Людмила Рванова, из группы «Мультимодальный ИИ», Ольга Волкова и Никита Глазков из группы «Мультимодальные архитектуры ИИ», а также Владимир Махарев из группы «Нейрокогнитивные архитектуры» представили 6 постеров⤵️ Основной трек 📎Does VLA Even Know the Basics? Limitations in Commonsense and World Knowledge of VLA Models Предложена методология Act2Answer, позволяющая проверять наличие знаний о мире в VLA-моделях по действиям робота при ответах на вопросы и анализу намерений на уровне внутренних представлений. Эксперименты показали, что после дообучения на робо-данных большинство VLA сохраняет способность различать базовые признаки цвета и формы, но заметно уступает исходным VLM в более высокоуровневых знаниях. 📎FactRot: Auditing Typed Fact Survival Under Iterative LLM Rewriting Методика оценки сохранности отдельных фактов (чисел, дат, сущностей, отрицаний и причинно-следственных связей) при многократном переписывании текста языковыми моделями. Эксперименты на 4 моделях и цепочках до 12 шагов показали, что с каждым переписыванием часть фактов теряется, а простая инструкция сохранять фактическую точность заметно снижает эти потери. 📎VLA Grounder: Language-Conditioning Space Optimization for Black-Box VLA Models Модели VLA обычно рассматриваются как end-to-end стратегии действий, обусловленные описаниями задач на естественном языке. Авторы изучают, можно ли улучшить замороженные стратегии VLA путём оптимизации языкового пространства, а не обновления весов действий. Их метод преобразует инструкцию от человека в более подходящую для модели команду, используя пространственные отношения и визуальные подсказки. Индустриальный трек 📎Uncertainty Guardrails for LLM-Based Medical Diagnostic Systems Авторы исследуют методы оценки неопределённости языковых моделей в медицинской диагностике, позволяющие выявлять потенциально ошибочные диагнозы даже при отсутствии доступа к внутренним состояниям модели. Предложенный подход на основе вспомогательной модели превосходит лучшие методы без использования прокси и может быть интегрирован в существующие диагностические системы без переобучения основной LLM. 📎Adapt the Words, Freeze the Model: LLM Prompt Evolution for Domain-Shift-Robust Segmentation CoreFrac — открытый пиксельный бенчмарк для сегментации трещин по фото, а также метод адаптации сегментатора через автоматическую эволюцию текстовых промптов. Подход позволяет эффективно настраивать алгоритм под новые условия съёмки и типы пород без обновления весов нейросети. Трек Findings 📎Extending LLM Context via Associative Recurrent Memory В работе исследуется применение ассоциативной рекуррентной памяти (ARMT) для расширения контекста небольших языковых моделей. Подход позволяет обобщать результаты дообучения на последовательностях длиной до 8 тысяч токенов на значительно более длинные контексты при постоянном потреблении GPU-памяти и снижении вычислительных затрат. Делимся фотокарточками📷 #AIRIнаКонфе

В спотлайт секции Даниил Зелезецкий рассказал про «Don't Blind Your VLA: Aligning Visual Representations for OOD Generalization», которую мы показывали на AAMAS 2026 Этим Fall into ML как раз и нравится — получается некое саммари топовых российских публикаций за год. Поэтому очень ценна постерная сессия, где с авторами этих работ и можно пообщаться Помимо Don't Blind будут ещё наши работы: 1. OVSegDT: Segmenting Transformer for Open-Vocabulary Object Goal Navigation 2. Does VLA Even Know the Basics? Limitations in Commonsense and World Knowledge of VLA Models 3. OffTrail: A Benchmark for Natural-Language Context in Recommendation beyond Interaction Histories 4. ELMUR: External Layer Memory with Update/Rewrite for Long-Horizon RL Problems