Недавно исследователи AIRI выложили в открытый доступ фреймворк автоматической генерации и оптимизации GPU-ядер KernelEvo. Фреймворк основан на разработке GigaEvo в которой принимала участие научная группа «Генеративное проектирование» лаборатории FusionBrain, который запускает MAP-Elites эволюцию над Python-кодом, используя LLM как оператор мутации. KernelEvo — это применение этой же идеи к GPU-ядрам вместо произвольных программ.

GigaEvo создан для автоматизации задач машинного обучения, включающих оптимизацию моделей, параметров, признаков и LLM‑ориентированных методов. Решение минимизирует участие специалистов, ускоряет цикл экспериментов и повышает качество итоговых моделей. Это платформа, которая берёт на себя рутинную часть научных исследований, проводимых в области искусственного интеллекта, снижая порог входа и экономя время ресёрчера.

Подробнее о нашей разработке ➡️ GitHub и Habr

В связи с расширением моей команды по разработке автономных универсальных ИИ-агентов в Сбере ищу сотрудников!

Чем мы занимаемся:
— Разрабатываем AI-агенты с адаптивным поведением и полной автономией — они самостоятельно решают задачи, учатся на данных и масштабируются в реальных сценариях (проектирование ядра агента, работа с «глубокими агентами», внедрение самообучающих петлей, построение мультиагентных систем)
— Создаем инструменты для развертывания и мониторинга моделей — от бесшовного деплоя в продакшен до автоматизированного отслеживания производительности, ошибок и оптимизации

Кого ждём:

🔘Middle/Senior AI Agent Engineer (Python)

Минимальный стек:
— Python 3.10+ (async, LangChain/LangGraph — StateGraph, чекпоинты, стриминг)
— LLM-провайдеры (OpenAI, Anthropic, OpenRouter), tool use, MCP для API/OAuth2
— Memory/RAG: векторные БД (Qdrant, Milvus, PGVector), гибридный поиск, факт-извлечение
— Мультиагенты: оркестрация (CrewAI-подобные), циклы восприятие→действие→рефлексия, самообучение
— Файловые системы как контекст-менеджеры, Docker, облака (AWS Bedrock, Azure)
— Безопасность: sandbox, safety-агенты, откат, белые списки, аудит

Must have:
— 3+ года Python (промышленный async)
— LangChain/LangGraph + RAG/векторные БД
— Промпт-инжиниринг (system-промпты уровня Claude), tool calling
— Знание LLM-архитектур, способов расширения моделей, принципов обучения/файнтюнинга
— Опыт мультиагентных систем и самообучающихся петель

Опыт: 3+ года

🔘Backend (Java/Python)

Минимальный стек:
— Java 17+ (Spring, JPA, Security, WebClient) или Python 3.10+ (FastAPI/Django, DRF, async)
— REST API, транзакции, индексы, N+1, очереди, таймауты
— JWT/OAuth2, базовая безопасность, CI, контейнеры, K8s (basics)
— Логи, метрики, трассы — чтобы ловить проблемы по следам
— Unit + интеграционные тесты, code review, контракты

Опыт: 2–3 года

🔘Full-stack Frontend (React + Node.js)

Минимальный стек:
— React + TypeScript
— Любой стейт-менеджер (Effector / Redux / Zustand / MobX / Vuex)
— Node.js (Express/NestJS) + REST API
— MongoDB / PostgreSQL, JWT/OAuth
— Git, CI/CD, Docker, Vite/Webpack, Jest/Cypress

Будет плюсом: Next.js, оптимизация, SEO, WebSockets, облака (AWS/GCP/Azure)

Опыт: 2–3 года

➡️ Откликаться: @emilfrolov

А вы знали, что методы генерации видео можно использовать для прогноза погоды?

Наша команда разработала Marchuk — первую в России генеративную модель для прогнозирования климатических рисков.

Мы взяли диффузионные трансформеры (которые обычно генерируют изображения и видео) и научили их предсказывать погоду. И вот что получилось:

✔️Субсезонный диапазон: Marchuk позволяет строить прогнозы на 15-30 дней вперёд
✔️Компактная модель: имея всего 276M параметров, она показывает сопостовимое качество с 1,6B аналогом
✔️Доступность: Код и веса модели в открытом доступе, а запустить ее можно всего на одной видеокарте или в Colab

💡 Имя модели — дань уважения математику Гурию Ивановичу Марчуку, заложившему основы численного моделирования климатических процессов.

👇 Читайте подробности о разработке по ссылкам:
ArXiv | Project Page | GitHub | Colab | HF

Посмотрела выступление Анастасии Анциферовой, исполнительного директора по исследованию данных центра исследований генеративного ИИ Сбера, На митапе у VisionLabs она рассказала о последних разработках Сбера и AIRI для автоматизации проектирования зданий

🟣 Автоматизация генерации массингов

CoMa — метод генерация массингов по текстовым требованиям с описанием ограничений, координатам участка и изображению окружения. На выходе пользователь получает 3D-геометрию здания в формате JSON.

🟣 Генерация планировок

Для генерации планировок AIRI улучшила диффузионную модель HouseDiffusion (она по графу связности комнат генерирует координаты стен, но не учитывает фиксированные элементы, а еще иногда оставляет пустые пространства между комнатами).

AIRI представила HouseDiffusion++. Базовую модель дообучили на датасете из 62 тысяч планировок, добавили кросс-аттеншн-блоки, которые нужны, чтобы модель не двигала фиксированные элементы (вентиляционные шахты, окна или двери), а также возможность экспорта результата в Revit.

«Сейчас в основном в области планировок мы занимаемся генерацией жилых зданий, но на следующий год у нас запланировано расширение до создания планировок для общественных пространств, школ, больниц».

«По поводу удобства планировок у нас сейчас есть направление меблировки: мы учимся расставлять мебель так, чтобы агенты, которые ходят по квартире, эмулируя поведение людей, тратили минимальное количество шагов на типичные перемещения».

🟣 Работа с BIM-моделями

IFC-QA — бенчмарк для проверки языковых моделей на понимание BIM-файлов, В нем 99 вопросов пяти уровней сложности. Результаты показали: лучшая модель отвечает правильно только в 68% случаев. На простых вопросах точность достигает 90%, но на сложных, требующих многошаговых рассуждений, падает.

Также у AIRI есть разработка Chat with IFC, где пользователь может получать ответы по IFC-файлу, просто в обычном чате с ИИ. Интересная штука — я узнаю, есть ли открытая работа.

🟣 Документация и чертежи

«Документация — сейчас самая горячая тема»

Анастасия отметила, что больше всего внутренних и внешних запросов приходит на автоматизацию работы с документацией. Здесь основные направления: OCR (распознавание символов), RAG и работа с базами документов через ИИ-агентов. Основная сложность — учет нормативки: новые градостроительные нормы принимаются буквально каждый день.

В следующих постах расскажу про метод CoMa.