Российские учёные придумали, как ускорить обучение распределённых AI-систем ⚡️

Cпециалисты Сбера вместе с коллегами из МФТИ представили метод, который ускоряет обучение распределённых и федеративных ML-моделей. Он сокращает время на синхронизацию устройств в распределённых системах обучения AI-моделей.

В чём суть?

Модели с миллиардами параметров часто обучают на распределённых кластерах, где данные делятся между устройствами. В таком случае много времени тратится на обмен информацией между ними. Если передача данных медленная или происходит с задержками, то распределённое обучение перестаёт быть выгоднее и эффективнее, чем централизованное.

Что предлагают учёные?

Гомогенные (похожие) данные объединяются в единый алгоритм. В сочетании с техниками сжатия данных метод позволяет реже синхронизировать устройства с сервером, сохраняя при этом качество модели. Тесты показали, что при правильной настройке можно значительно сократить время обучения без потерь в точности.

Наша работа открывает новые возможности для масштабирования искусственного интеллекта и будет полезна организациям, которые работают с большими распределёнными системами

— Глеб Гусев, директор Центра практического искусственного интеллекта Сбера

Новый метод ускоряет обучение больших AI-моделей и подходит для финансов, телекоммуникаций и промышленности. Он будет особенно эффективен для задач с ограниченными ресурсами, например, в сетях с edge-устройствами.

❤️ — за российскую науку и инновации!

Как создать агента с нуля 🔥

Давно хотите создать агента для своих задач, но не знаете как? У команды GigaChain есть решение. Разработчики опубликовали пошаговый гайд по созданию ReAct-агентов с помощью фреймворка LangGraph.

Что такое ReAct

ReAct — это паттерн поведения LLM-агентов, при котором пошаговые рассуждения чередуются с наблюдениями и действиями. Это позволяет агенту работать автономно. Для этого современные агенты подключают внешние инструменты. Модель выдаёт запрос в виде JSON-объекта. А фреймворк в основе агента вызывает соответствующую функцию в коде.

«Академическая работа ReAct: Synergizing Reasoning and Acting in Language Models создавалась, когда LLM были сильно глупее и не умели вызывать тулзы. Реализация подхода в оригинальной статье и в актуальных фреймворках для разработки агентов существенно различается. И этот момент особо не подсвечивается в материалах ни на русском, ни на английском языке», — пишет Сергей Тращенков из команды GigaChain

Чем примечателен LangGraph

LangGraph позволяет создавать сложных агентов с памятью и восприятием контекста, а также мультиагентные системы. Он собирает процессы с параллельными ветками задач в граф с циклами. Получается интерпретируемая схема. В отличие от агентов, построенных на базе другой популярной библиотеки — LangChain, такую структуру легко настраивать и расширять.

Из гайда вы узнаете:

🔘 как ReAct-агенты перешли от парсинга текста к tool calling
🔘 чем отличаются LangGraph и LangChain и для каких задач они подходят
🔘 как собрать агента с нуля
🔘 как настроить вызов инструментов, память и поиск — в гайде есть пример готового кода

Читайте материал по этой ссылке и быстрее пробуйте!

Первый в мире робот-барабанщик 🔥

Гуманоидный робот G1 от Unitree исполняет рок, метал и джаз с точностью попадания в ритм 90%. Международная команда специалистов научила его этому с помощью AI-системы Robot Drummer. В её основе — многослойные перцептроны (нейросеть из трёх слоёв).

Что умеет робот

Он научился почти как человек менять палочки, играть со скрещёнными руками и корректировать силу удара в ответ на изменения темпа и динамики в песнях. Разработчики утверждают, что добились пространственной координации и 90% точности ритма.

Как модель училась барабанить

На основе MIDI-транскрипций песен разработчики составили для робота ритмические цепочки контактных событий (RCC). Они подсказывали ему, когда и по каким барабанам нужно ударить. Удары закодировали в виде векторов. Робот практиковался в виртуальной среде Isaac Gym с использованием обучения с подкреплением.

Создатели Robot Drummer планируют обучить робота импровизации и посадить его за настоящие барабаны.

Читайте статью и слушайте хиты в исполнении робота по этой ссылке.

🔥 — если ждёте, когда барабанщик соберёт робогруппу

Про умные 3D-миры и дешёвую разметку данных — в нашем дайджесте 🤖

Инструменты

🥺 AIRI и МФТИ создали 3DGraphLLM — метод для LLM при работе с 3D-пространством. Он учитывает пространственные и смысловые связи объектов внутри помещения, что позволяет нейросети точнее распознавать детали на изображениях сложных интерьеров. Модель уже прошла апробацию на данных, собранных в Центре робототехники Сбера.

🔗 Учёные СГУ выяснили: два связанных биологических нейрона меняют режим работы в зависимости от силы взаимодействия и внешнего тока. Они могут «молчать», передавать единичные импульсы или генерировать непрерывную серию сигналов. Открытие поможет в моделировании AI, нейроинтерфейсов и спайковых моделей.

📊 R&D-центр «Т-Технологий» с AIRI, ВШЭ, «Иннополисом» и Сбером создали ATGen — первый комплексный фреймворк, который использует парадигму активного обучения. Модель на каждом этапе сама выбирает нужные примеры для максимального роста точности. Это позволяет сократить расходы на сбор и разметку данных в три раза.

Модели

🌎 Google DeepMind представила Genie 3 — AI-модель, создающую 3D-миры в реальном времени. Теперь нейросеть может сохранять изображение в памяти в течение одной минуты — против 10–20 секунд в прошлой версии.

🧑‍💻 Anthropic выпустила Claude Opus 4.1 — обновлённую версию сервиса для агентских задач. Модель набрала 74,5% на SWE-bench Verified (производительность), стала точнее в рефакторинге и отладке кода.

📹 Tencent Hunyuan разработала Large-Vision — мультимодальную модель с 52 миллиардами активных параметров в архитектуре MoE. Она обрабатывает изображения любой чёткости, видео и 3D, поддерживает мультиязычность и подходит для AR/VR, 3D-моделирования и видеоаналитики.

👍 — хотели бы побродить по мирам Genie 3?
🔥 — больше электричества вам в нейроны