Денис Аветисян 
Новый подход к управлению роботами позволяет эффективно решать сложные задачи, требующие одновременного использования обеих рук, благодаря сочетанию передовых алгоритмов оптимизации и реалистичной физической симуляции.
Новый подход позволяет унифицированным мультимодальным моделям совершенствоваться через самосоревнование, повышая их надежность и производительность.
Исследователи предлагают инновационный фреймворк для активного анализа и проверки объяснений работы внутренних механизмов больших языковых моделей.
Исследователи разработали эффективный классический метод, сочетающий Sparse Pauli Dynamics и Variational Double Bracket Flow, для быстрого и точного вычисления энергии основного состояния квантовых многочастичных систем.
![Сопоставление конечной скорости позволяет модели напрямую переходить между точками истинной траектории, при этом одношаговая генерация $𝐱_0$ из $𝐱_t$ совпадает с истинным $𝐱_0$ при условии, что конечная скорость модели $\frac{\mathrm{d}}{\mathrm{d}s}{\mathbf{f}}({\mathbf{x}}\_{t},t,s)$ совпадает с истинной скоростью ${\mathbf{u}}({\mathbf{x}}\_{s},s)$ для всех $s\in[0,t]$ вдоль истинного пути потока, а совместное удовлетворение этого условия с граничным случаем нулевого смещения модели сводится к методу сопоставления потоков.](https://arxiv.org/html/2511.19797v1/x2.png)
Исследователи предлагают инновационный метод обучения генеративных моделей, основанный на сопоставлении конечных скоростей траекторий потока, что позволяет добиться высокой скорости и масштабируемости.
Исследователи разработали метод генерации понятных объяснений работы нейронных сетей, основанный на семантической сегментации изображений без использования предварительно размеченных данных.
Исследователи разработали метод компенсации фазовой когерентности, значительно повышающий стабильность сверхпроводящих кубитов и открывающий новые возможности для квантовых вычислений.
Новая модель объединяет зрение и язык, опираясь на глубокое понимание трехмерной геометрии окружающего мира.
Новая методика позволяет обнаруживать сложные зависимости в нелинейных системах, учитывая влияние скрытых факторов и временных изменений.
Новый подход к анализу различий между выборками объединяет возможности классических и квантовых алгоритмов, повышая точность и надежность результатов.