The Jerusalem PostOdds rise of Trump-Kim meeting on APEC sidelines, analysts sayInquirer6 hurt after truck crashes into warehouse in Benguet townPunchObasa celebrates son’s LG chairman of the year awardDaily MaverickSomaliland briefly detains Americans accused of threatening national securityInquirer EntertainmentBINI, SB19 celebrate historic Grammy nominationsESPN CricinfoMS Dhoni ends IPL career, joins CSK as mentorZDF heuteAktuelle Pressemitteilungen des ZDFObservador DesportoPrisão preventiva para jovem suspeita de matar senhorio20 Minuten«Dauert noch»: Lena Meyer-Landrut meldet sich nach FunkstilleKhaosod EnglishThailand plans 100,000-seat stadium in Chonburi sports complexAntara NewsIndonesia aims to boost community businesses through social forestryPremium TimesPlateau records 5,457 suspected diabetes cases in nine months
The Daily Newsstand · Free, Always
Tuesday, November 17, 2026

В ИТМО научились ускорять ИИ-системы глубокого поиска в шесть раз

Translate

|

Ученые ИТМО разработали первую в России систему глубокого поиска на диффузионных языковых моделях — DiffResearch. Она формирует подробные отчеты в шесть раз быстрее аналогичной системы на классических моделях, сохраняя качество результатов. Разработка ускорит анализ научной литературы для исследований и подготовку аналитических отчетов для бизнеса. Об этом CNews сообщили представители ИТМО.

Большинство популярных ИИ-ассистентов работают на классических (авторегрессионных) языковых моделях. Они получают запрос и пишут текст слово за словом, слева направо, без возможности вернуться назад и исправить ошибку. Длинный ответ такая модель генерирует долго: текст появляется последовательно, а ошибка, допущенная в начале, влияет на весь остальной текст. На таких же моделях работают системы глубокого поиска (Deep Research), которые собирают информацию из разных источников и формируют подробные отчеты. Для этого несколько ИИ-агентов последовательно планируют поиск, формулируют запросы, находят и анализируют материалы, а затем объединяют результаты в один документ. В зависимости от задачи подготовка такого отчета может занимать 15–30 мин.

Чтобы ускорить этот процесс, ученые ИТМО заменили классическую языковую модель в готовой системе глубокого поиска на диффузионную. Такие модели генерируют текст иначе: не слово за словом, а параллельно в нескольких местах. Этот процесс можно сравнить с расшумлением в телевизоре — изображение в нем появляется не построчно, а постепенно по всему экрану. Похожим образом работает и модель: текст она складывает воедино из отдельных фрагментов. Диффузионная модель проходит несколько циклов генерации: на каждом из них уточняет ранее сформированные части текста. Кроме того, пока процесс сборки отчета не завершен, модель может менять слова и исправлять ошибки, допущенные в начале. Все это делает генерацию быстрее в несколько раз.

«Чтобы убедиться, что на скорость повлияла именно замена модели, мы провели эксперимент. Взяли ту же систему, оставили те же промпты, код поиска, оценку и меняли только сам "движок“ — на диффузионную модель и на сопоставимую классическую. Для проверки скорости мы использовали Deep Research Bench — набор из 100 задач уровня PhD по 22 научным областям. В результате система на диффузионных моделях выполнила их примерно в шесть раз быстрее, а заметнее всего ускорились планирование и написание отчета — в 10–12 раз», — сказал главный разработчик DiffResearch, аспирант факультета информационных технологий и программирования ИТМО Алан-Барсаг Газзаев.

Еще одно преимущество DiffResearch — возможность начинать поиск информации, пока ИИ-агент еще формулирует запросы. В обычных системах поисковый запрос сначала нужно подготовить целиком и только потом отправить в поисковик. Диффузионная модель позволяет использовать уже сформированные части запроса, не дожидаясь завершения генерации. Благодаря этому система начинает искать научные статьи и другие материалы раньше, а время на подготовку запросов сокращается почти в два раза.

Несмотря на ускорение, качество работы системы не пострадало. При подборе источников она обращается к научным поисковым сервисам — так же, как и при работе на классических моделях. DiffResearch проверили по методике RACE — это автоматическая оценка готового отчета с помощью другой языковой модели. Она проверяет, насколько полно раскрыта тема, есть ли содержательные выводы, выполнены ли требования пользователя и понятен ли текст. Ученые сравнили три варианта одной системы: с обычной авторегрессионной моделью, с диффузионной моделью и с диффузионной моделью в режиме раннего извлечения ответов. Их общие оценки составили 0,3904, 0,3895 и 0,3969 соответственно по шкале от 0 до 1.

Как обезопасить компанию от «теневого ИИ» сотрудников?

Как обезопасить компанию от «теневого ИИ» сотрудников? Цифровизация

«Сама область диффузионных языковых моделей совсем новая — первый воркшоп по ним при NeurIPS прошел только в 2026 году. Поэтому в России мы стали первыми, кто применил их в глубоком поиске. Вдобавок мы научили систему брать поисковые запросы из черновиков раньше, чем модель закончит их формировать, — такой функции мы не нашли ни в одном научном исследовании», — сказал Алан-Барсаг Газзаев.

Подобные системы пригодятся там, где нужно быстро разобраться в сложной теме. Например, в учебе или научном поиске — чтобы быстрее собрать материалы по интересующей теме, а в бизнесе — чтобы сократить время на аналитические отчеты. Особенно такое ускорение будет полезно в медицине, где важно быстро получать сводки по стандартам лечения и существующим исследованиям, чтобы подобрать варианты помощи пациенту.

Над системой также работал аспирант факультета информационных технологий и программирования ИТМО Алексей Гаврилов. Руководил исследованием доцент Института прикладных компьютерных наук ИТМО Сергей Муравьев.

View the original on CNews →

KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.