@airi_research_institute
Институт AIRI
Telegram channel @airi_research_institute: 14K subscribers, 3.3K views per post, score 68
- 14K
- Subscribers
- 3.3K
- Median views over 30 days
- 23.8%
- Views / subscribers over 30 days
- 20
- Posts over 30 days
Data as of November 19, 2026
catalog description About the channel, by its author
gosuslugi.ru/…
https://gosuslugi.ru/snet/686cce31f794ae555409516cOverview
Written automatically from the channel's data, updated 11 September 2026. The numbers in this text are as of that date; the fresh ones are in the tiles above.
As of 11 September: the Институт AIRI channel has 13,549 subscribers. It is the official channel of an AI research institute, covering conferences such as ECML PKDD and IJCAI, biweekly research seminars, Habr articles, podcasts and interviews with staff for business and science media. The tone is expert-driven, naming specific researchers and topics — from diagnostic models in medicine to drug discovery and small language models.
Over 30 days the channel posted 15 times, below the category median of 21 for Artificial Intelligence — it publishes somewhat less often than its peers. Median views per post stand at 4,675, and engagement (ER) reaches 34.5% against a category median of 22.0%, meaning readers engage more actively than average for the niche. The channel's Place Score is 70.
It suits people following Russian AI research directly — scientists, students in the field, and those applying AI in business who want primary sources rather than summaries. Its subscriber count (13,549) sits close to the category median of 14,127 across 73 listings, while its engagement clearly outpaces that median.
Common questions
- What is the @airi_research_institute channel about?
- It is the channel of the AIRI research institute, covering AI conferences, research seminars and articles. Posts include staff talks, Habr publications, podcasts and media interviews.
- Can I buy advertising on the Институт AIRI channel?
- The owner has not published an ad price yet. You can reach out to them directly on Telegram.
- How many subscribers?
- Subscribers: 14K. Median views per post: 3.3K. Views per subscriber: 23.8%. Measured on November 19, 2026.
- How often are posts published?
- Posts in the last 30 days: 20 — that is almost every day. Measured on November 19, 2026.
- Does this channel have a Telegram tick?
- No Telegram tick.
- Who runs this channel page in the catalog?
- Nobody yet. If this is your channel, claim the page: you will be able to reply to reviews and see its stats.
Is this your channel?
Claim it — accurate metrics, replies to reviews as the channel, and an owner badge on the page.
Verify ownershipTakes a minute: a post with a code, or the bot as an admin
Your page on tg.place
Know the owner?
Forward them this message — they can verify their rights and collect what has piled up: page statistics and replies to reviews.
Hover the chart or swipe it — we show the day.
| What it is made of | |
|---|---|
| Engagement | 15.4 of 30 |
| Growth quality | 20 of 20 |
| Reactions and forwards | 6.9 of 15 |
| Consistency | 11.4 of 12 |
| Trust | 4.5 of 8 |
| Reviews | not enough datano reviews yet |
Score 68 — from 5 of 6 signals: the rest are not measured yet. Methodology
Latest posts
Posts are in Russian — that is what the channel publishes.
- 1.6KOpen in TelegramAIRI на IEEE ICDM 2026📌 На той неделе наши исследователи были в Шэньяне, Китай, на международной конференции по интеллектуальному анализу данных. AIRI представляли Александр Коваленко и Илья Болкисев из группы «ИИ в промышленности», Михаил Паутов из группы «Доверенные и безопасные интеллектуальные системы» и Виталий Дравгелис из группы геномики. От нас на ICDM было 5 работ⤵️ 📎RandMark: On Random Watermarking of Visual Foundation Models RandMark — метод защиты прав на визуальные фундаментальные модели. В модель встраивается скрытый цифровой водяной знак, по которому её можно опознать даже после применения постпроцессинга сети. 📎Learning When to Personalize: Query-Type-Aware Playlist Generation Deployed at Scale GigaMix — система, которая собирает плейлисты по текстовому запросу и сама решает, насколько сильно учитывать вкусы слушателя. 📎Reconstructing Boundary Layer Wind Profiles with Machine Learning: A Comparative Study on IGRA Radiosonde Data В работе сравниваются различные методы машинного обучения для восстановления профилей ветра в атмосферном пограничном слое. Авторы показывают, что ML-методы превосходят классические аналитические модели, а в рассмотренных экспериментах расширение набора входных признаков сильнее влияет на точность восстановления, чем выбор ML-алгоритма. 📎Are Foundation Models Ready for Rock Fragmentation? A Multi-Domain Benchmark Across the Mining Lifecycle StoneBench — открытый бенчмарк для оценки гранулометрического состава горной породы на разных этапах добычи. С его помощью авторы проверяют, способны ли фундаментальные модели компьютерного зрения решать эту задачу без дообучения. 📎HiCT Patterns: Foundation-Model-Enhanced Breakpoint Detection from Hi-C HiCT Patterns — трёхэтапный метод для определения координат межвидовых геномных перестроек путём поиска специфических паттернов на Hi-C картах. Основан на комбинации фундаментальной модели и легковесного ансамбля сверхточных сетей для повышения точности и снижения потребляемых ресурсов относительно аналогов. Публикации появятся в открытом доступе позднее📆 #AIRIнаКонфе
- ИИ-фотосессии будут ещё реалистичнее Создавая изображение, нейросеть решает две задачи сразу: придумывает позу, свет, композицию и при этом старается точно повторить каждую черту лица и букву. Когда эти задачи конфликтуют, детали размываются. Исследователи лаборатории FusionBrain Института AIRI разработали метод KandiShop, который разделяет эти задачи, благодаря чему улучшается качество генерации лиц и надписей на товарах. Он не требует дообучения нейросетей и работает поверх уже сгенерированных картинок. KandiShop проверили на сотне лиц и четырёх популярных открытых нейросетях. Благодаря ему сходство с оригиналом у FLUX.2 klein возрастает с 52 до 75 процентов, а у Nano Banana — с 57 до 76. Общее качество и красота картинки при этом остаются. Сайт | GitHub | Газета.ру | Хабр
- Ad
- 3.6KOpen in TelegramAIRI на CIKM 2026✔️ Завершилась международная конференция по управлению информацией и знаниями, которая проходила в Риме, Италия. На ней Данил Гусак и Никита Сухоруков из группы «Технологии персонализации» представили 4 работы⤵️ 📎Preference-Aligned Semantic IDs for Generative Recommendation PA-SID — метод построения семантических идентификаторов, который учитывает не только информацию об объектах, но и предпочтения пользователей. Это позволяет повысить качество генеративных рекомендаций без изменения алгоритма создания кодов и самой рекомендательной модели. 📎Group-Relative RL Post-Training for Sequential Recommendation GRFT — метод дообучения последовательных рекомендательных моделей с подкреплением, при котором модель сравнивает разные списки рекомендаций и учится лучше подбирать и упорядочивать объекты. 📎OffTrail: A Benchmark for Natural-Language Context in Recommendation beyond Interaction Histories OffTrail — бенчмарк для сравнения разных семейств рекомендательных моделей, учитывающих контекст. Он также позволяет оценить вклад контекста, сравнив рекомендации одной и той же модели с текстовым описанием ситуации пользователя и без него. 📎Cross-Domain Sequential Recommendation with Representation-Level User Transfer Метод, который учитывает активность пользователя в другом сервисе: вместо исходной истории действий передаётся его векторное представление. В экспериментах качество рекомендаций выросло как для пользователей обоих сервисов, так и для тех, кто пользовался только одним. #AIRIнаКонфе
- 3.2KOpen in TelegramЧерез две недели стартует AI Journey 2026 🚀 Мы принимаем активное участие в программе AIJ: будем выступать с докладами, участвовать в дискуссиях, показывать демо и представлять работы на постерной сессии. Программа и трансляции📎 Регистрация открыта до конца завтрашнего дня (13 ноября) по ссылке. Будем рады встретиться с вами на мероприятии🙂 #AIRIзация
- Куда движется наука? Подскажет инспектор Исследователи AIRI из групп «Вычислительная семантика» и «Безопасный интеллект» вместе с коллегами из Сколтеха разработали открытую систему для анализа научных трендов Drift Inspector. Он извлекает из аннотации только утверждения о научном вкладе, не собирая лишней информации. Затем система объединяет утверждения со схожим смыслом в темы и показывает, как доля каждой меняется по годам. Такой подход позволяет группировать разные формулировки одной идеи и разделять случаи, когда одно и то же слово используется в разных значениях. Темы система находит и называет самостоятельно. С её помощью команда уже обработала почти 118 тысяч статей с ведущих конференций по машинному обучению, компьютерному зрению и обработке языка за 2018–2026 годы. Работу представляли на EMNLP 2026. Потестить систему можно по ссылке. Научная статья | GitHub | N + 1
- #AIRI_Seminars в эфире! Подключайтесь к трансляции в VK Видео или на YouTube
- 3.4KOpen in TelegramAIRI на AACL-IJCNLP 2026📌 С 6 по 10 ноября в городе Хэнцинь, Китай, проходят Азиатско-Тихоокеанская конференция Ассоциации вычислительной лингвистики и Международная объединённая конференция по обработке естественного языка. AIRI на них представляют Анна Борисюк, младший научный сотрудник группы «Прикладное NLP», и Глеб Кузьмин, научный сотрудник группы «Мультимодальный ИИ» лаборатории FusionBrain. На конференциях 4 работы наших исследователей⤵️ 📎K-FORGE: Fisher-Guided Initialization for Preference-Based LLM Unlearning Методы разобучения языковых моделей, такие как NPO и SimNPO, удаляют нежелательные знания за много шагов обучения. Авторы предложили способ ускорения этого процесса. Метод использует Кронекер-фишеровские статистики forget- и retain-данных, чтобы без дополнительного обучения рассчитать низкоранговую поправку к весам. Она даёт NPO и SimNPO более удачную стартовую точку. 📎Thesis Proposal: Localisation, Redundancy, and Safety Cost in LLM Unlearning (работа появится в открытом доступе позднее) После забывания языковая модель успешно проходит бенчмарки и не воспроизводит удалённый факт, но при другой формулировке вопроса или небольшом дообучении он часто возвращается. В этом тезис-пропозале предлагается способ проверить, блокирует ли разобучение факт или действительно его удаляет, в каких компонентах модели это происходит и можно ли сделать забывание устойчивым без ущерба для безопасности модели. 📎Fairness in Prompting: How Demographic Variations Affect Language Model Outputs Работа посвящена исследованию влияния демографических характеристик пользователей на качество ответов больших языковых моделей. Исследователи представили PromptDial — набор данных из 2 289 промптов с демографической разметкой и показали, что различия в формулировках запросов между группами пользователей могут сопровождаться существенными различиями в качестве работы LLM — до 7,7%. 📎What Does Uncertainty Lens Tell Us About Emergent Misalignment? Оценка неопределённости часто используется для детекции галлюцинаций языковых моделей. В работе проверяется, можно ли по неопределённости предсказать проявления нежелательного поведения модели. Делимся фотографиями из Китая📷 #AIRIнаКонфе
- Приглашаем на следующий #AIRI_Seminars, который пройдёт 11 ноября в 17:00 ⤵️ Тема: «Q-RAG: как не изводить тысячи тонн токенной руды на LLM ради единого факта» Докладчик: Назар Бузун, старший научный сотрудник лаборатории «Сильный ИИ в медицине» Института AIRI Оппонент: Ильсеяр Алимова, старший научный сотрудник лаборатории «Обработки естественного языка», Сколтех Подробное описание и регистрация на офлайн-формат на сайте. Трансляция на YouTube | VK Видео
- Какой он — ИИ нового поколения?🧠 На III Международном симпозиуме «Создавая будущее», который пройдёт 12–13 ноября в Национальном центре «Россия», мы выступаем соорганизаторами сессии «Между творцом и творением: чего ждать от ИИ нового поколения». На ней обсудим, каким должен быть ИИ, чтобы расширять возможности человека и оставаться эффективным инструментом для решения задач, а также этические принципы взаимодействия с ним. Поговорим о том, какие технологические подходы и архитектуры определяют развитие ИИ следующего поколения и что станет главным критерием прогресса искусственного интеллекта в ближайшие годы. Спикеры ➡️ Иван Оселедец, доктор физико-математических наук, профессор РАН, генеральный директор AIRI, декан факультета ИИ МГУ ➡️ Андрей Лаврентьев, руководитель отдела развития технологий Kaspersky ➡️ Андрей Себрант, кандидат физико-математических наук, директор по стратегическому маркетингу «Яндекса», профессор ИТМО ➡️ Чэнь Цюфань, писатель-фантаст, президент Китайской ассоциации писателей-фантастов и соавтор бестселлера «ИИ-2041» Модератор ➡️ Александра Бройтман, директор по маркетингу и коммуникациям Института AIRI 🕓 13 ноября, 17:00–18:30 📌 Москва, Краснопресненская наб., 14, Национальный центр «Россия» Приходите послушать, регистрация на Симпозиум на сайте😁 #AIRIзация
- Делимся хабрами, вышедшими в нашем блоге за последний месяц⤵️ ◾️NetHackers — открытое сообщество для создания программы, которая сможет стабильно проходить NetHack Что из себя представляет NetHack, зачем создали сообщество и что участники имеют на старте — поделился Владислав Куренков, руководитель научной группы «Адаптивные агенты». ◾️GENATATOR: учим языковые модели для ДНК восстанавливать структуру генов Научный сотрудник группы геномики Алексей Шмелев рассказал, как создавался GENATATOR — нейросетевая модель для автоматической аннотации генома с помощью языковых моделей для ДНК, — какие модели и архитектуры тестировались и каковы результаты. Работу представили на ICLR 2026 и ECML PKDD 2026. ◾️Как мы учили нейросеть распознавать дипфейки и объяснять свой вердикт О том, как устроен новый подход к обнаружению речевых дипфейков HIR-SDD, каким был процесс разработки метода и что дали эксперименты, рассказал Дмитрий Корж, научный сотрудник группы «Доверенные и безопасные интеллектуальные системы». Работа была представлена на Interspeech 2026. ◾️Бенчмарк для робототехнических симуляторов на GPU Дмитрий Юдин, ведущий научный сотрудник лаборатории когнитивных систем искусственного интеллекта, рассказал про бенчмарк GPUSimBench, который оценивает производительность, точность и детерминизм семи современных общедоступных робототехнических симуляторов при работе на графических процессорах. Работу представили на IROS 2026. Также рассказали о модели PANTHER, которая выросла из проекта участников Лето с AIRI 2026 и стала самым быстрым решением на FLARE Challenge при MICCAI 2026. 📎Больше интересного — на нашем Хабре.
The channel in numbers
- Created
- November 12, 2021
- Photos
- 1.3K
- Videos
- 18
- Files
- 2
- Links
- 824
Telegram data as of November 19, 2026
Rankings and collections
- AI: what to readcollection
Reviews
Leave a review
No reviews yet. Yours would be the first.