Объявим тему в день конференции

Поговорим о фундаментальной модели Сбера на базе пользовательских данных, которую мы уже внедрили в часть банковских задач и получили бизнес-эффект . Разберем устройство модели и ее применение в рекомендациях банковских продуктов

Переход на human-like TTS на тяжелых transformer-моделях улучшает качество, но требует сотен GPU H100 и сильно нагружает инфраструктуру. Рассмотрим подходы к оптимизации инференса: как мы переработали пайплайн сервинга, уложились в требования по latency и сократили объем железа в несколько раз

Расскажу, как мы автоматизируем создание контента в рекламной платформе. Обсудим SOTA-модели для мультиреференсной генерации, оценку качества, промптинг, обучение и то, как мы собрали свое решение. Поделюсь опытом внедрения сервиса: с какими сложностями столкнулись, каких результатов добились и почему все решает не модель, а система вокруг нее

AI в разработке уже стал повседневностью: кодинг, ревью, планирование, дебаггинг. Поговорим о том, как встроить это ускорение в цикл разработки — с понятными целями, контекстом, доверием к результату и измеримым эффектом. В завершении обсудим будущее разработки с AI: evals, цели и AI-driven SDLC

Поговорим о парадоксе размера группы N в RLVR: почему при средних N модель концентрируется на том, что уже знает. Пройдем путь от обнаружения аномалии до интуиции, которая лежит в основе метода F-GRPO . Обсудим границы применимости симуляций и то, как математические механизмы помогают находить лаконичные решения без большого количества GPU

Объявим тему в день конференции

Вспомним базу и познакомимся с самыми свежими работами в области LLM. Поговорим об алгоритмических особенностях обучения в режиме off-policy . Расскажу о наших экспериментах, идеях и выводах. В завершении доклада обсудим открытые вопросы обучения языковых моделей

Разберу наш опыт создания VLM — фундаментальной ML-технологии обработки документов. Охвачу весь путь от дизайна и экспериментов до прода, включая рабочий сеттинг, по которому мы обучаем модели. Поделюсь инсайтами и результатами, как T-VLM становится энейблером масштабирования процессов обработки

Модели мира предсказывают динамику среды для планирования и обучения агентов. Это можно делать в пиксельном пространстве, но я разберу альтернативу — латентные модели без декодера, где целевая функция не включает декодирование изображения

Разберу, как мы делали LLM-ассистента для подбора товаров с поиском по всему интернету: с какими компромиссами сталкивались, как измеряли качество в сценариях, где пользователь не до конца формулирует запрос, и как оптимизировали скорость пайплайна, не теряя в качестве

Расскажу, как мы построили RecSys-платформу в Т-Банке . На примерах рекомендательных систем покажу, как мы генерируем кандидатов, пересчитываем фичи и проводим А/Б -тесты без изменений в коде. Разберем, что платформа может взять на себя и зачем вообще ее строить

Заменят ли агенты исследователей — скучный вопрос. Важнее, какие исследователи вырастают рядом с ними. Поговорим о том, где LLM уже работают на уровне магистранта, где по-прежнему ошибаются и что должен менять супервизор, чтобы студенты становились учеными, а не операторами инструментов

Поделюсь, как мы с командой сделали ecom-поиск с нуля в современных реалиях. Расскажу, как можно отступить от классических подходов и ускориться, а где нужно использовать технологии из нулевых

Поделюсь, как мы разрабатываем speech-to -speech full-duplex систему для русского языка, внедряя в LLM возможность нативного понимания и генерации звука. Расскажу о нашем подходе к обучению и оценке качества, ключевых проблемах и о том, как мы с ними справляемся

Скоро раскроем подробности

Мы сократили возраст рекомендаций с 6 часов до 20 минут. Расскажу, как этого добились на инкрементальной коллаборативной модели, почему ключевыми оказались не гиперпараметры, а stateful-режим и упрощение обучения. Поделюсь, на какие инженерные грабли мы наступили, когда доводили near-time -систему до стабильной работы 24/7

Опытные RL-инженеры знают: модель всегда найдет способ обмануть награду. На примере нашего LLM-саппорта разберу всю цепочку: разметку как фундамент задачи, дизайн награды из нескольких судей с цитированиями и гейтами, SFT и инфраструктурные грабли