whesense/xsim

Делимся хабрами, вышедшими в нашем блоге за последнее время ⤵️ ◼️ SINN: как превзойти спектральные методы при решении многомерных уравнений в частных производных Тянчи Ю, младший научный сотрудник группы «Вычислительный интеллект», объяснил, как они с коллегами усовершенствовали спектрально‑информированную нейронную сеть. Работа получила статус Spotlight на ICML 2026. ◼️ В один эмбеддинг можно впихнуть больше тысячи токенов, но что с этим не так? Вместе с научным сотрудником группы «Мультимодальный ИИ» лаборатории FusionBrain Дмитрием Тарасовым разобрались, что теряется при упаковке более тысячи токенов в один‑единственный входной эмбеддинг замороженной LLM. ◼️ Uni-Bond: как двухнедельный проект на летней школе AIRI дошёл до статьи на воркшопе ICML 2026 Участник прошлой летней школы Степан Павленко рассказал о том, как они с командой и нашими исследователями из группы органической химии разработали модель для предсказания графов химических связей, а потом поехали выступать с этой работой на конференции в Южной Корее. ◼️ Мой агент Ouroboros побил Codex с Claude Code на Terminal-Bench, OSWorld и CL-Bench. Он написал себя сам Разбор архитектуры «Уробороса» с цифрами, воспроизводимостью и несколькими неловкими историями из аудита трейсов — в хабре Антона Разжигаева, руководителя группы «Интерпретируемый ИИ» лаборатории FusionBrain. ◼️ Диффузионные языковые модели: как устроены, что в них работает, а что вызывает вопросы Исследовали групп «Интерпретируемый ИИ» лаборатории FusionBrain и «Основы генеративного ИИ» вместе с коллегами из SberAI рассказали о dLLM, их преимуществах и недостатках, а также об опыте адаптации и обучения с нуля. ◼️ Кронекером по Фишеру: как при сжатии LLM учесть кривизну второго порядка и не умереть Виктория Чекалина, старший научный сотрудник группы «Мультимодальный ИИ», объяснила работу метода сжатия больших языковых моделей с минимальной потерей в качестве. ◼️ XSIM: как мы переизобрели сплаттинг для симуляции сенсоров бе