NSS Lab News

🎓 Работы выпускников. Как научить ИИ генерировать README для проектов с открытым кодом У открытого репозитория без README не разобраться — это его описание и точка входа. Но писать и поддерживать его руками долго, поэтому README часто устаревает или его нет вовсе. Захар Попов, выпускник магистратуры ФТИИ по программе «Искусственный интеллект в промышленности», в дипломной работе собрал конвейер, который генерирует README автоматически — для репозиториев на GitHub, GitLab, GitVerse и SourceCraft. Научный руководитель — Николай Никитин. Это не отдельный скрипт, а модуль проекта OSA — открытой разработки лаборатории АИСТ. Внутри — мультиагентная система с циклом самооценки: она не просто генерирует README, а сама проверяет и улучшает результат. Чем работа сильна: 🔹 README собирается в один клик — не нужно вручную писать и обновлять документацию; 🔹 Захар в команде OSA с самого зарождения проекта: за два года видел, как тот растёт — новые возможности, конференции, статьи; 🔹 больше всего в работе ему было ценно проектировать архитектуру вместе с командой и доводить первые прототипы до рабочего результата. Работу Захара отдельно отметила государственная экзаменационная комиссия. Где это пригодится: всюду, где у проекта с открытым кодом должен быть понятный README, но писать его руками некогда. Что дальше — Захар продолжит развивать OSA в составе команды. Репозиторий с кодом: https://github.com/aimclub/OSA #работы_выпускников

На обратном пути с ICML нанёс визит в Harbin Institute of Technology (это в Китае) - в ходе него поучаствовал в нескольких семинарах, на которых рассказал о наших свежих результатах и текущих проектах, в которых можно поучаствовать. Договорились c профессорами и студентами из School of Computer Science and Technology о научном сотрудничестве по нескольких направлениям (AutoML, LLM-агенты, AI4Science) - надеюсь всё получится. Бонусом фото из их кампуса - почти как в Академгородке.

RAGU - на HuggingFace! Сегодня мы выложили на HuggingFace препринт про открытый GraphRAG-фреймворк RAGU. RAGU - это модульный GraphRAG-движок, который превращает сырой текст в граф знаний: извлекает сущности и связи, строит и чистит граф, а затем ищет ответы через локальные, глобальные или гибридные стратегии. Этот проект сейчас разрабатывается совместно Лабораторией прикладных цифровых технологий НГУ (Иван Бондаренко) и Лабораторией автоматизированного мульти-агентного ИИ ИТМО (Николай Никитин). В разработке активно участвуют студенты обоих университетов. В комплект фреймворка входит также новая компактная модель Meno-Lite-0.1 на 7B параметров (первое место на SemEval-2026 Task 8 MTRAG). В препринте, (сейчас он на рецензии на одной из A*-конференций), мы показали, что для построения качественного графа знаний не обязательно задействовать большие модели: наш 7B-экстрактор показывает результат лучше, чем Qwen2.5-32B на построении графов. Также, фреймворк недавно ставил одним из победителей конкурса Yandex Open Source. Если говорить о конкретных цифрах: RAGU достает до 84% релевантного контекста в медицинских бенчмарках (у конкурентов ≤76%). Мы обходим HippoRAG 2 на креативных задачах (59.0 против 56.9). При этом стоимость обработки — $0.001 за документ в сравнии с $0.10 у API-решений. Как пользоваться RAGU: Ставится одной командой pip install graph_ragu, работает на обычной потребительской видеокарте. Код открыт (MIT), веса — Apache 2.0. Как поддержать: Если разработка заинтересовала, то ее можно поддержать в Daily Papers на Huggingface, поставив upvote тут: https://huggingface.co/papers/2607.11683 Также, будет рады звездочкам на репозиторий: https://github.com/RaguTeam/RAGU Если есть вопросы - пишите в комментариях или в Issues на GitHub. P.S. Если хотите посмотреть, как всё работает: - 2 минуты: базовая настройка и первый запуск - 11 минут: глубокое погружение в конфигурации пайплайна

А теперь новости с другого конца света: c 13 по 17 июля в Коста-Рике проходит GECCO — крупнейшая международная конференция по эволюционным вычислениям (организатор - ACM SIGEVO, ранг CORE - A). Факультет технологий ИИ ИТМО и NSS Lab на конференции представляет недавний выпускник программы "ИИ в промышленности" Вадим Ахмеров, с исследованием «Evolving Multi-Agent Systems with Large Language Models: Surrogate Fitness Limitations and Empirical Insights», на archival-воркшопе Large Language Models for and with Evolutionary Computation. Эта статья стала основой успешно защищенной ВКР. Cреди со-авторов - студенты и аспиранты ФТИИ, коллеги из Sber AI Lab и Satbayev University. Также, от учебно-лаборатории АИСТ в исследовании участвовал студент бакалавриата ФТИИ Егор Рождественский. О чем статья: мы используем LLM, чтобы оптимизировать мультиагентные системы эволюционным методом: модели сами предлагают улучшения и сами же оценивают результат. Оказалось, что успех критически зависит от того, насколько хорош LLM-оценщик, в статье анализируем применимость и ограничения этого подхода. Текст статью опубликуют чуть позже - а пока поздравляем Вадима с первым очным докладом на топовой международной конференции!

Сбер пишет про наши совместные работы (выше про них уже упоминали):

🎓 Работы выпускников. Как алгоритм сам выводит законы природы из данных Физический процесс обычно описывают дифференциальным уравнением — но чтобы его составить, нужен учёный. А что если уравнение по данным наблюдений выведет сам алгоритм? Тимур Бавшин, выпускник магистратуры ФТИИ по программе «Большие данные и машинное обучение», в дипломной работе занимался автоматическим поиском таких уравнений. Научный руководитель — Александр Хватов. Ключевая идея — оценивать модель не только по ошибке, но и по устойчивости: хорошее уравнение не должно менять структуру на разных участках одних и тех же данных. Этот критерий Тимур формализовал и встроил прямо в процесс поиска, а не как проверку постфактум. Так отсеиваются переусложнённые и случайно подошедшие решения — остаются те, что отражают реальную структуру процесса. Работа сделана в лаборатории NSS ИТМО, а метод встроен в открытый фреймворк EPDE. Где это пригодится: 🔹 там, где важна интерпретируемость — например, в робототехнике: понятное уравнение показывает, что происходит с системой, в отличие от «чёрного ящика»; 🔹 как инструмент открывать новые закономерности прямо из данных. Что дальше — продолжить тему в аспирантуре и довести наработки до практики. Репозиторий с кодом: github.com/ITMO-NSS-team/EPDE #работы_выпускников

Пока фоново происходит ICML (постеры повешены, вопросы по ним отвечены, фоточки будут позже), в лаборатории появилось 2 новых молодежных гранта РНФ: 1) Александр Хватов, групповой грант - "Подходы к обучению фундаментальных суррогатных моделей сложных физических устройств и процессов" 2) Юлия Борисова, индивидуальный грант - "Методы регуляризации многообразием с извлечением внутренней структуры данных в виде графа расстояний " Поздравляем руководителей-победителей!

NSS Lab - на ICML 2026! В этот раз от нас будут представлены 4 публикации на различных воркшопах. Первая и вторая работы сделаны в рамках новой коллаборации со Sber AI Lab (про это скоро расскажем); есть сотрудничество и с другими подразделениями ИТМО, компаниями и университетами. 1) Dmitry Gilemkhanov et al - On-Demand Multi-Agent Workflow Synthesis for Multimodal Long-Horizon Reasoning - Workshop on Multimodal AI Agents Про создание MAS LLM с нуля в zero-shot режиме с помощью мета-агентов. 2) Alina Zhidkovskaya et al - AutoJudge: Automatic Generation of LLM-Based Judges from Execution Traces - Workshop on Failure Modes of Agentic AI Про генерацию оценщиков для проверки корректности поведения МАС в конкретной области. 3) Andrey Getmanov et al - Beyond Lexical Similarity: A Benchmark for Evaluating Code Documentation Agents - Deep Learning for Code: Towards Human-Centered Coding Agents Про бенчмарк для генераторов документации (таких, как OSA), использующий новые критерии оценивания. Тут имеет место очень продуктивное сотрудничество с GigaCode. 4) Ivan Dubrovsky et al - Selective Perturbations as a Diagnostic for Benchmark-Based LLM Comparisons - Workshop on Combining Theory and Benchmarks Тоже про бенчмарк - но для проверки уcтойчивости сравнения LLM к формулировка запросов. Это работа по мотивам школы SMILES 2025 в сотрудничестве с ВШЭ. Полные списки авторов и основные результаты - в приложенных постерах и препринтах. До встречи на конференции!

Небольшой пост про то, как автоматизировать машинное обучение и оценку результатов с помощью ИИ-агентов. https://habr.com/ru/articles/972686/ [Комментарий редакции: эта работа - пример курсовой, выполненной в рамках курса "Автоматическое машинное обучение"…

pov: ты написал магистрерскую и думаешь, что всё позади, а потом приходит OSA 🐝 Собрались как-то раз участники АИСТ, студенты и аспиранты ФТИИ и провели эксперимент... ㅤ В ЧЁМ СУТЬ? 👨‍🔬 Прогнали репозитории магистерских ВКР этого года через OSA.Edu — функциональность мультиагентного LLM-инструмента для улучшения научного кода «Оса» из Института ИИ ИТМО. Смотри подробнее в презентации в комментариях.                OSA анализировала текст каждой ВКР и соответствующий репозиторий. Для каждого утверждения из работы искала реализацию в коде и выдавала вердикт — «ЕСТЬ» или «НЕТ», с указанием файла. ㅤ ЧТО ПРОВЕРЯЛОСЬ? 🔍                                                              🗂 оформление репозитория — README, лицензия, структура коммитов, зависимости 🆗 качество кода — синтаксис, докстринги ✏️ воспроизводимость — главное: насколько то, что написано в тексте ВКР, реально подкреплено кодом Оценки носят ориентировочный характер, так что никаких санкций и снижения отметок не будет — только возможность посмотреть на свою работу со стороны 😊 Отчёты по всем обработанным ВКР доступны на русском и английском тут. ㅤ ЭТО РАЗОВАЯ АКЦИЯ? 🤔 Конечно, нет! А рамках ITMO.OpenSource планируем сделать такой авто-анализ учебных и научных работ постоянным и распространить на другие факультеты (а может, даже и университеты).                         Кстати, OSA умеет проверять воспроизводимость не только ВКР, но и научных статей. Если готовитесь к сабмиту и хотите прогнать репозиторий, приходите, поможем! КОМАНДА 🤝🤝                                         🤩Руководитель разработки OSA и OSA.Edu — аспирант и м.н.с. Института ИИ Андрей Гетманов 🤩От лаборатории АИСТ —  Екатерина Ульянова (4 курс), Егор Фёдоров и Александр Шиянов (бакалавры ФТИИ) 🤩Основные участники — Илья Соколов, Данил Ежов (сотрудники NSS Lab), Дана Чернышова и Азат Ахметьянов (магистранты ФТИИ) Всего у OSA 23 контрибьютора 🐝 Форма обратной связи открыта, всё читаем и учитываем 😉 * Присоединиться к проекту можно в лаборатории АИСТ

У нас новая статья в Journal of Computational Science (Q1): Exploring the Limitations of Transformer Models for Metocean Forecasting Авторы: Юлия Борисова, Михаил Борисов, Станислава Востикова, Виктор Голиков, Андрей Кузнецов, Глеб Соловьев, Александр Степанец, Михаил Криницкий, Николай Никитин Это - расширенная версия статьи с конференции ICCS 2025, которую организаторы порекомендовали к подаче в конференционный спецвыпуск JOCS. Если базовая версия рассматривала ограничения в применимости трансформерных моделей для задач пространственно-временного прогнозирования на примере морского льда, то сейчас добавились примеры из области моделирования атмосферы и океана. Новые примеры удалось добавить благодаря совместной работе с коллективом из Лаборатории машинного обучения в науках о Земле МФТИ и Института океанологии РАН. В чем суть этих примеров в контексте статьи: Коррекция атмосферных полей. Задача - исправить систематические ошибки в полях приземного ветра и температуры из глобальной системы прогноза GFS. Здесь трансформеры (ViT, TimeSformer) уступают обычному U-Net. Причина - локальные пространственные структуры ошибок, с которыми CNN справляются лучше. Прогнозирование океана. В этой задаче семь переменных (температура, солёность, скорости течений, уровень моря и др.) моделируются по 6-месячной предыстории на 30 дней вперёд. Трансформер с контрастным предобучением (MoCo) обходит LSTM по всем переменным: снижение RMSE на 40% для глубины перемешанного слоя, на 38% для температуры воды, на 31% для солёности. Однако, такого результат удалось достигнуть только с помощью предобучения, которое явно кодирует сезонные закономерности в скрытом пространстве. Общий вывод прежний - трансформеры не всегда хорошо работают для пространственно-временных геофизических данных и при их применении нужно тщательно учитывать особенности данных. Статья: https://authors.elsevier.com/c/1nD8Q6gytHA7x9 Код: https://github.com/ITMO-NSS-team/sea_ice_transformers Для цитирований: @article{borisova2026exploring, title = {Exploring the limitations of transformer models for metocean forecasting}, journal = {Journal of Computational Science}, pages = {102917}, year = {2026}, issn = {1877-7503}, doi = {https://doi.org/10.1016/j.jocs.2026.102917}, author = {Julia Borisova and Mikhail Borisov and Stanislava Vostrikova and Viktor Golikov and Andrey Kuznetsov and Gleb Solovev and Alexander A. Stepanets and Mikhail Krinitskiy and Nikolay O. Nikitin} } P.S. Старожилы припомнят, что пять лет назад статья от нашей лаборатории про фреймворк EPDE тоже успешно прошла по схеме ICCS->JOCS. Традиции сохраняются, получается.