> ## Content Index
> Fetch the complete content index at: https://admin.kod.ru/llms.txt
> Use this file to discover other available public pages before exploring further.

# Яндекс представил в Южной Корее исследования об ускорении обучения ИИ и оптимизации серверов
- URL: https://admin.kod.ru/yandex-icml-ai-training-optimization/
- Published: 2026-07-08T08:30:40.000Z
- Updated: 2026-07-08T08:30:39.000Z
- Description: На ICML в Сеуле компания представила исследования про экономию GPU-памяти, ускорение LLM и работу со сложными данными.
- Author: Кирилл Сергеев
- Tags: Новости

Исследователи и инженеры Яндекса представили серию научных работ на International Conference on Machine Learning — одной из крупнейших международных конференций по машинному обучению. В этом году ICML проходит в Сеуле.

Все работы Яндекса приняли в основную программу конференции. Они посвящены ключевым задачам ИИ-индустрии: как ускорять обучение моделей, эффективнее использовать видеокарты, работать со сложными данными и снижать зависимость от дорогостоящей ручной разметки.

> Всего в этом году на ICML подали 23 918 научных работ. В основную программу вошли 6 352 статьи — 26,6% от общего числа заявок.

Одна из работ Яндекса посвящена **графовым нейросетям** — моделям, которые анализируют не только объекты, но и связи между ними: например, между пользователями и товарами, документами или участками дорожной сети. Исследователи разработали программные модули, которые эффективнее используют память видеокарт. В экспериментах они ускорили вычисления до 8,5 раза, сократили пиковое потребление памяти до 76 раз, а отдельные операции — в 3,9–10 раз.

Эта работа получила статус Spotlight — его присваивают статьям с самыми высокими оценками программного комитета. В этом году такой статус получили 536 работ, или 2,2% от всех поданных. Код модулей Яндекс уже опубликовал в открытом доступе.

Ещё одно исследование касается **обучения больших языковых моделей**. При конвейерном параллелизме часть видеокарт может простаивать в ожидании других устройств. Команда Яндекса показала, что проблему нестабильности асинхронного обучения можно решить подбором алгоритма оптимизации и дополнительной коррекцией обновлений. В тестах на MoE-моделях размером 10 млрд параметров метод показал качество, идентичное синхронному обучению.

Также Яндекс представил **два новых алгоритма оптимизации** — SoftSignum и SoftMuon. Они определяют, как модель обновляет параметры во время обучения, и в экспериментах стабильно превосходили несколько распространённых подходов, включая AdamW.

Отдельные работы посвящены сложным данным. Например, исследователи разработали **GraphPFN** — модель, предварительно обученную более чем на 1,6 млн синтетических графов. Она показывает высокое качество даже без дополнительной настройки, а после адаптации под конкретную задачу превосходит другие рассмотренные подходы на большинстве реальных наборов данных.

Ещё одно направление — **обучение моделей при нехватке размеченных данных**. Яндекс совместно с другими исследователями предложил подход, который позволяет использовать небольшой объём размеченных данных вместе с большим массивом неразмеченных. Это может быть полезно в медицине, промышленности и других областях, где разметка требует участия экспертов.

Также на ICML представили работу Яндекса **для поисковых и рекомендательных систем**. Новый метод помогает заранее отбирать наиболее подходящих кандидатов для последующей точной оценки и тем самым снижать вычислительные затраты.