15 января 2026

▪️ Дайджест научных исследований MWS AI за 2025 год 2025 год был богатым на достижения ИИ. Не удивительно, что журнал Science назвал большие языковые модели одним из важнейших драйверов науки, а в свежем списке прорывных технологий от MIT Technology Review 4 из 10 пунктов так или иначе относятся к искусственному интеллекту. Но никакие достижения нейросетей были бы невозможны без развития науки о самом ИИ. Ученые MWS AI в партнерстве с коллегами по рынку проводят исследования, создают новые датасеты и ищут нестандартные подходы к обучению моделей, чтобы усовершенствовать ИИ-продукты и практики их применения. Из десятков научных публикаций, вышедших в соавторстве с нашими экспертами в 2025 году, мы выбрали для этого дайджеста те, что по их мнению, особенно важны для практического использования ИИ. ➡️ Итеративное самообучение для генерации кода Исследование посвящено улучшению ИИ-генерации кода. Авторы разработали итеративный подход к самообучению, базирующийся на двух моделях — генераторе и верификаторе. В результате LLM на 13 млрд параметров генерирует код лучше и работает втрое быстрее, чем модель в 2,5 раза крупнее. ➡️ Будет ли это правдой завтра? Работа посвящена проблеме устаревших знаний в LLM. Создан датасет EverGreenQA и классификатор EG-E5 для определения вопросов с меняющимися ответами. Исследование ценно для бизнеса, так как позволяет разрабатывать более точные ИИ-системы и бороться с галлюцинациями. ➡️ Адаптивный RAG, независимый от LLM Авторы статьи предлагают новый подход к адаптивному поиску во внешних данных (RAG), который исключает использование LLM для оценки неопределённости. Это позволяет сократить вычисления без потери в точности, а значит — ускорить и удешевить работу чат-ботов и упростить масштабирование. ➡️ CCT-Code: поиск семантически похожего кода Авторы разработали и применили новую процедуру обучения (ССТ – кросс-консистентное обучение), чтобы ИИ мог находить похожий код даже на разных языках программирования. Это помогает в рефакторинге и поиске ошибок, что положительно сказывается на скорости разработки в больших проектах. Исследователям удалось добиться рекордной точности обнаружения клонов на C++ и Python. Эффект: экономия времени на унификацию кода в командах с разными стеками. ➡️ StRuCom: структурированные комментарии к коду на русском Команда собрала датасет из 153 тысяч примеров, чтобы обучать ИИ писать понятные структурированные комментарии к коду на русском языке. Дообучение небольших моделей на StRuCom даёт прирост в качестве до 50%. Это упрощает поддержку legacy-кода и снижает количество ошибок в распределённых командах. ➡️ SPY: синтетический датасет для детекции персональных данных Авторы представили новый датасет для детекции персональных данных (ПДН/PII) в текстах. Инновация заключается в применении больших языковых моделей для генерации данных, имитирующих реальные сценарии использования ПДН. Работа подчёркивает важность приватности и контроля данных в ИИ-системах и способствует дальнейшим исследованиям в этой области. ➡️ Использование славянского BERT и перевода для классификации техник убеждения Исследователи предложили метод на базе трансформенных моделей (XLM RoBERTa и Slavic BERT) для выявления манипулятивных техник в текстах. Из-за дефицита размеченных данных для некоторых языков применена аугментация за счет переведенных примеров. Разработка применима в таких задачах, как анализ текстов, модерация контента, выявление манипуляций/мошенничества в коммуникациях.