Готовим RecSys митап для вас, на этот раз в Санкт-Петербурге 🥦

- Расскажем о том, как мы построили онлайн-рекомендации вместо батчевых раз в день
- Про персонализацию скидок и лояльности с помощью модели эластичности
- А наша гостья из Яндекса расскажет про опыт замены ранжирующего бустинга на нейросеть

Все пройдет 27 ноября в 19:00 по местному времени. Место – наш офис в СПб БЦ Ferrum II. Все подробности и регистрация на ивент тут.

Наша команда вернулась с EMNLP 2025, на которой у нас было принято две статьи 🐫

Первая – Steering LLM Reasoning Through Bias-Only Adaptation про то, как можно улучшать reasoning в LLM при помощи минимальных добавок (значительно меньших, чем LoRA и прочие). Небольшой спойлер, который можно найти в репозитории с кодом статьи – это также открывает новые возможности для интерпретации reasoning моделей.

Вторая – Train One Sparse Autoencoder Across Multiple Sparsity Budgets to Preserve Interpretability and Accuracy посвящена новому методу обучения Sparse Autoencoders, для которого теперь можно контроллировать степень разреженности пространства фичей после обучения. Для этого мы также опубликовали triton кернелы, чтобы все могли обучать модель нашим методом быстро, доступно как на github, так и на hugging face.

оказался на IROS 2025, где у него был oral с недавней статьей Grounding Keypoint Descriptors into 3D Gaussian Splatting for Improved Visual Localization, написанной в коллабе с ИТМО и Центром робототехники Сбера.

Работа посвящена визуальной локализации по одному снимку с камеры. Дистиллируем 2D-дескрипторы ключевых точек прямо в 3D-представление сцены, сначала находим грубую позу камеры, затем уточняем её по рендеру. Полезно для AR/VR и робототехники; потенциально снижает требования к датчикам и удешевляет платформу.

Подробнее можно почитать тут.