Доска AI-объявлений

Всем привет! На связи Данила Бочарников, DS-инженер команды поискового ранжирования в Авито. Сегодня разбираем свежую статью от Netflix про их эксперимент с LLM ранжированием.

🧠 GenRec: от тысяч фич к тексту
Netflix опубликовал статью о рекомендательном ранкере на базе их собственной foundation модели. Вместо инжиниринга тысячи фич модель получает на вход контекст о пользователе и кандидате в виде текста.

Обучение проходит в два этапа:
Фаза 1: адаптация open-source LLM под доменные данные Netflix.
Фаза 2: дообучение на логах.

⚙️ Технические нюансы
На второй фазе GenRec обучался на объёме данных в ~40 раз меньше, чем предыдущая продовая модель. Вместо медленной генерации токенов добавили scoring head, ранжирующий всех кандидатов за один forward pass.

Контекст удалось сжать примерно в 3 раза без потери качества.

📊 Результаты
GenRec обошёл продовый ранкер в офлайне на 1.5% по MRR.

A/B-тест на 10% трафика в течение четырёх недель показал статистически значимый рост:
— по краткосрочной вовлечённости: +0.115%
— по долгосрочному удержанию: +0.006%

Краткий итог такой: сдвиг парадигмы развития ранжирования к context engineering для LLM. А полную статью смотрите на arXiv

Опрос: станут ли LLM стандартом для ранжирования в ближайшие 2–3 года?
🔥 — Да, это новый стандарт
🤔 — Частично, гибридные подходы останутся
👎 — Нет, слишком дорого и нестабильно

Пишите своё мнение в комментариях 👇

Дата Фест давно прошёл, а мы не показали вам наши доклады. Непорядок, исправляемся 🤩

Вот о чём рассказывали наши инженеры в этом году:

Соревновательный ML в эпоху LLM агентов — в любимом формате дискуссии выясняли, как меняются соревнования, что происходит с метриками мастерства и этикой. Главное — обсудили роль человека.

Внедрение LLM в модерацию: от PoC до целевого решения — Илья Чумак провёл по пути, как встраивали в модерацию LLM. Рассказали обо всём от экспериментов до продакшена, с гардрейлами и автоподбором промптов.

AI-ассистент для продаж — Родион Сульженко рассказал, как тестировали голосового робота для обзвона продавцов.

Модели в монетизации — Алина Бабенко объяснила, как в Авито учат модели выручке и при этом не роняют качество.

от LLM-портала к фабрике внутренних агентов — Никита Ятченко рассказал о платформе для процессов и ИИ-агентов. Почему это удобно и как теперь мы находим кандидатов в агенты.

LLM в Авито — Анастасия Рысьмятова подводила итоги трёх лет. Как LLM из экспериментов превратились в 20+ продуктов с почти 2% выручки и почему теперь ставка на ассистентов.

ML-прогнозатор рекламы: как оценить результат до запуска — Владимир Давидько рассказал, как Авито за пару месяцев переехал с аналитического прогнозатора на ML-решение для рекламного кабинета, и теперь предсказывает не среднее, а почасовое распределение кликов, что заметно повысило точность и доверие рекламодателей.

Если пропустили Дата Фест, самое время посмотреть его онлайн
🚀

Го учиться!

Если хочешь развиваться в аналитике, войти в профессию, углубиться в науку о данных или вырасти в карьере — приходи в Центральный университет. У нас есть магистратура под каждый сценарий.

«Продуктовая аналитика» — офлайн-программа с парами по вечерам и выходным в центре Москвы. Студенты учатся превращать данные в продуктовые решения: находить точки роста, проектировать эксперименты и строить системы метрик — с сильной технической базой в Python, SQL, статистике и A/B-тестировании.

После первого семестра можно выбрать траекторию «Наука о данных» × Авито, а это:
📍 обучение на реальных данных компании, 
📍 лекции от специалистов и аналитиков Авито, 
📍 фокус на машинном обучении и инструментах индустрии. 

Лучшие студенты получают возможность стажировки или оффера. К выпуску — портфолио аналитических кейсов для резюме.

Что даёт магистратура в ЦУ:
💓 Диплом государственного образца за два года обучения, 
💓 Возможность совмещать учёбу с работой. 
💓 Преподаватели — индустриальные эксперты и исследователи.
💓 Карьерная поддержка с начала учёбы: консультации, тренировочные собеседования и помощь с трудоустройством. Студенты уже в процессе обучения выходят на новые позиции или повышают свой грейд в Яндексе, Авито, Т-Банке и других компаниях.

Поступление проходит через грантовый конкурс. Это одновременно способ попасть на программу и возможность выиграть финансовую поддержку на всё время обучения. Грант покрывает до 75% стоимости. В 2026 году доступно 550 грантов на все программы магистратуры.

❗️Места ограничены, дедлайн для заявок — 20 августа.

Подробности о программе и условиях участия в конкурсе можно прочитать на сайте

Внезапно русский! Но речь не о том, что Claude работает лучше, если с ним говорить на этом языке. В Anthropic исследовали другой вопрос: меняется ли стиль общения модели в зависимости от языка диалога?

Они проанализировали более 300 тысяч реальных разговоров Claude .ai и попробовали описать характер модели через наблюдаемые признаки.

Что сделали
🟢 разметили ответы по 339 ценностям, например, accuracy, transparency, encouragement;
🟢 затем с помощью уменьшения размерности нашли основные направления, вдоль которых меняется стиль ответов.

Выделили четыре оси
Warmth ↔️  Rigor — поддержка и позитивный тон ↔️ точность, строгость и требовательность к корректности

Deference ↔️ Caution — следование пожеланиям пользователя ↔️ осторожность и акцент на рисках

Depth ↔️ Brevity — подробные объяснения ↔️ краткость

Candor ↔️ Execution — обсуждение неопределённости и ограничений ↔️ фокус на выполнении задачи

Оказалось, что язык общения действительно связан со смещением по этим осям.

Например, ответы Claude на русском в среднем были ближе к стороне Rigor — больше акцента на точности, строгости и проверке утверждений.

А на некоторых других языках, например, на хинди и арабском, модель чаще проявляла Warmth — поддержку и позитивный тон.

❗ Исследование не проверяло кодинг-агентов напрямую. Но возникает интересная гипотеза: может ли язык общения влиять не только на стиль обычного диалога, но и на то, как AI-агент пишет и ревьюит код?

А на каком языке вы обычно общаетесь с вашим кодинг-ассистентом?
❤️ — русский
😎 — английский
👻 — другой. А какой? Напишите в комментариях ⬇️

LLM подробно объяснила, как пришла к ответу. Но правда ли она рассуждала именно так или просто подобрала убедительное объяснение постфактум? Это решил выяснить коллектив исследователей, среди которых был наш инженер.

Недавно мы рассказывали о летней школе AIRI по ИИ, где второй год выступаем партнёром. А теперь делимся подробностями одной из лекций, которую провёл инженер Глеб Ершов 🤍

Глеб говорил про causal inference — подход, который помогает отличить простое совпадение от настоящей причинно-следственной связи. А затем показал, как с его помощью можно проверять рассуждения языковых моделей.

Главный вопрос лекции: если LLM показывает ход мыслей, значит ли это, что именно он привёл её к ответу? 🤔 

Проверить это можно, вмешавшись в рассуждение модели и посмотрев, изменится ли результат.

Именно такой эксперимент Глеб и его соавторы из AIRI провели в исследовании Breaking the Chain. Модели решали задачи и показывали промежуточные шаги: например, заполняли рубрику или строили трассу выполнения кода. Затем исследователи исправляли или специально меняли часть рассуждения и просили модель ответить ещё раз.

Оказалось, что логичное объяснение ещё не значит, что модель действительно на него опиралась. Языковые модели реагировали на изменения в рассуждениях не всегда и оставляли ответ прежним. То есть LLM могла прийти к выводу другим путём, а затем сформировать подходящее объяснение.

Такие вот занимательные выводы, а больше мяса в статье: Breaking the Chain: A Causal Analysis of LLM Faithfulness to Intermediate Structures

16 июля Moonshot AI выпустила Kimi K3: 2,8 трлн параметров, контекст 1M — одна из крупнейших open-weight моделей в истории. По бенчмаркам — вплотную к Claude Fable 5 и GPT-5.6 Sol:

◼️ #4 в Intelligence Index от Artificial Analysis из 189 моделей
◼️ #1 на Frontend Code Arena — обошла Fable 5
◼️ Впереди на SWE Marathon и BrowseComp
◼️ Terminal-Bench 2.1 — 88.3; SWE-bench Verified — 76.8%

Но что измеряют бенчмарки? В статье Inadequacies of Large Language Model Benchmarks in the Era of Generative AI разобрали 23 популярных теста: почти все провалились и по functionality (измеряет ли реальные способности), и по integrity (нельзя ли накрутить скор, заучив ответы или подстроившись под формат теста).

Главное из статьи — в карточках 🚀
А вывод такой: релиз сильный, но часть рекордов получена в собственном харнесе KimiCode, так что ждём независимые эксперименты.

Ссылки
[1] § V-A Response Variability in Standardized Evaluations

[2] § V-B Genuine Reasoning vs Technical Optimization

[3] § VI-A Inconsistent Benchmark Implementation

[4] Terminal-Bench 2.1

[5] HaluEval: A Large-Scale Hallucination Evaluation Benchmark for LLM

[6] § V-F Biases in LLM-Generated LLM Evaluations

[7] § IV-B Preliminary Findings

[8] § VIII-G Extending Benchmarks with Behavioral Profiling and Regular Audits

Получите знания в области Data Science с Авито и НИУ ВШЭ
До 8 августа открыт набор на магистратуру «Машинное обучение в цифровом продукте» от Авито и Факультета компьютерных наук НИУ ВШЭ.

Программа подойдёт тем, кто хочет развиваться в Data Science, работать над технологиями для миллионов пользователей и научиться использовать ML как продукт, который решает задачи бизнеса.

Что ждёт студентов:
➡️ Востребованные навыки в Data Science: машинное обучение, NLP, MLOps, рекомендательные системы.

➡️ Обучение у экспертов Авито и преподавателей ФКН НИУ ВШЭ. Программу разработали специалисты, которые каждый день решают ML-задачи на практике.

➡️ Работа с реальными кейсами и данными: во время обучения вы будете разбирать задачи, основанные на опыте продуктовых команд Авито.

➡️Гибкая образовательная траектория. Кроме обязательных дисциплин, вы сможете выбрать дополнительные курсы на интересующие темы.

➡️ Возможность попасть на стажировку. Во время обучения будет несколько волн набора в Data Science-команды компании.

А ещё на программе предусмотрено 30 бесплатных мест 😀

Магистратура подойдёт, если вы:
⚡️ Учитесь на последнем курсе бакалавриата или уже получили диплом;

⚡️ уверенно программируете на Python;

⚡️ знаете алгоритмы и структуры данных, ML-алгоритмы и SQL;

⚡️ владеете линейной алгеброй, теорией вероятностей и математической статистикой;

⚡️ живёте в Москве или готовы переехать.

Один из этапов отбора — тестирование. Чтобы помочь подготовиться к нему, мы разместили демоверсию теста на сайте программы: переходите, смотрите формат заданий, оценивайте уровень сложности и проверяйте свои знания до начала отбора.

Оставьте заявку по ссылке, подайте документы до 8 августа включительно и сделайте шаг к карьере в Data Science!

AI First на практике: что мне зашло, а что нет

Привет! У нас в Авито недавно была принята стратегия AI First (подробнее можно прочитать здесь и тут). Если коротко: мы стремимся использовать AI-инструменты в рабочих задачах и процессах каждый день, чтобы достигать с ними более крутых результатов.

Рассказываю, что из этого вышло у меня.

Изначально я был противником применения AI в работе: боялся растерять навыки. Если код пишу не я, а агент, то что тогда делаю я? Потом посмотрел, как с этим работают коллеги вокруг, попробовал сам, и мне понравилось!

Сейчас большую часть кода за меня пишет AI, и это та часть работы, которую уже можно частично оптимизировать. Так я написал два инструмента для себя и коллег:
• автоматический поиск оптимальных параметров для смешивания платных и бесплатных объявлений в выдаче поиска Авито;
• автоматическое создание отчётов по результатам обучения моделей.

Раньше на выполнение этих задач уходило от нескольких часов до нескольких дней рабочего времени. Сейчас оба процесса автоматизированы и оформлены в виде навыков, которыми пользуется вся команда.

При этом во время работы над кодом, даже такой, казалось бы, автоматической (с помощью AI-агента), возникает много «развилок» и ситуаций, в которых нужно принимать важные решения и не полагаться полностью на то, что пишет ИИ. Например, нужно обогащать агента релевантным контекстом, просить его писать тесты, ограничивать его и полностью управлять процессом.

По моему мнению, разработка ускорилась, но проще не стала — она просто стала другой. Сейчас многие Big Tech компании не только хотят, чтобы люди использовали AI-инструменты в работе, но и проверяют это на собеседовании: появился отдельный этап, где нужно писать AI-assisted код. Так что это один из навыков, который следует освоить всем, кто хочет оставаться конкурентоспособным.

Но на этом я не остановился и стал делать почти все задачи с помощью AI: писать исследования, создавать задачи в Jira, проводить code review и отвечать на комментарии в PR. И тут я стал получать обратную связь от коллег: задачи в Jira и исследования, написанные AI, читать невозможно, а в code review от AI-агентов часто содержится нейрослоп.

Я порефлексировал и понял, в каких задачах сейчас оптимально использовать AI, и выделил для себя следующий список:
• Написание кода (и помощь в нём)
• Редактура
• Помощь в планировании, сборе и организации информации для исследований
• Помощь в code review
• Автоматизация процессов

Также я составил список, где использование AI end-to-end пока что даёт не очень хорошие результаты:
• Написание текстов (по крайней мере, на русском): исследования, описания задач, посты, комментарии
• Полноценный code review

А как вы используете AI в работе? Поделитесь своим опытом!

И заодно опрос:
🌚 - большую часть кода за меня уже пишет AI
🧑‍💻 - пишу сам, AI только подсказывает

P. S. Этот пост я написал самостоятельно, а AI выступил только в роли редактора: писать тексты за меня он пока не умеет, а вычитывать — вполне.

Lucky Loser Мнение — Part 9: AI в медицине

Всем привет! На связи Данила Бочарников, DS-инженер команды поискового ранжирования в Авито. Сегодня расскажу о начале интеграции ИИ-агентов в медицину.

🧬 Claude Science
Anthropic официально анонсировала запуск Claude Science. Это платформа для учёных, бета-режим которой уже активно протестировали в академической среде.Из анонса складывается впечатление, что продукт в основном пробовали в геномике и медицине. Например, для предсказания структуры белка и анализа всяких последовательностей в генах. Вместе с этим и сами Anthropic включились в разработку лекарств для редких и «заброшенных» болезней.
Анонс про Claude Science

🧪Бенчмарк GeneBench-Pro от OpenAI
OpenAI представила GeneBench-Pro для оценки многоэтапных рассуждений ИИ в геномике и биомедицине. На данный момент в лидерах GPT-5.6 Sol. Неудивительно, так как она пока единственная протестированная модель в этом бенчмарке.
Препринт

❓ В итоге мы получили новый фронтир соперничества между Anthropic и OpenAI. Чья модель покажет себя лучше в медицине и геномике?

🔥 — Anthropic
👍 — OpenAI
🤷 — Обе будут хороши в своих нишах

Пишите своё мнение в комментариях

Выбираем лучшую IT-компанию для работы 🚀

Стартовало ежегодное исследование Хабра и ЭКОПСИ — голосование за лучшего работодателя в IT. В 2025 году в нём участвовали 34 000 человек, 90% из них — специалисты уровня мидл или выше. Результаты прошлого исследования можно посмотреть в статье.

Это важные сведения, потому что по рейтингу мы видим, как нас воспринимают в комьюнити. Приятно, что второй год держимся в топ-3. Спасибо, что смотрите с нами в одном направлении!

Процесс голосования простой и занимает 6–9 минут, а результат действительно отражает мнение сообщества. Проголосуйте, пожалуйста 🙂

Выбрать лучшего работодателя в IT

Свежие вакансии для DS и ML-инженеров

Новая подборка, выбирай, что тебе больше отзывается и скорее присылай своё резюме 🤟

➡️ Data Scientist в команду Deep Personalization (Deep Learning)

Что делать:
— Разрабатывать и улучшать двухбашенную трансформерную модель для retrieval.
— Запускать трек генеративных рекомендаций SIDS, OneRec и PLUM с исследованиями listwise и session-wise generation, SFT и RL.
— Проектировать пайплайны на Spark для витрин, фичей и инкрементальных обновлений.
— Развивать мультимодальные рекомендации с текстом, изображениями и внешними эмбеддингами.
— Оптимизировать продакшен: регулярно обновлять модели, экспортировать в ONNX, настраивать multi-GPU и multi-node обучение.
— Вести полный цикл от данных до A/B-экспериментов.

Откликнуться


➡️ Старший DS-инженер в Авито Товары и Запчасти

Что делать:
— Повышать покрытие и качество данных о совместимости запчастей: в том числе определять, какая деталь может подойти к разным авто.
— Развивать рекомендации и допродажи.
— Развивать AI-ассистентов для покупателей и продавцов на масштабе миллионов запросов.

Откликнуться


➡️ Старший Data Scientist в команду Auction Efficiency

Что делать:
— Развивать ML-модели конверсии в продуктах продвижения: бронированиях, звонках и откликах.
— Адаптировать обучение под смещённые данные и длинную обратную связь.
— Выполнять ключевую миссию: переходить с классического ML на Deep Learning в задачах ранжирования.
— Улучшать качество нейросети с учётом продуктовых ограничений и требований к скорости инференса.

Откликнуться


➡️ Data Scientist в команду Ассистента для покупателя — Ави

Что делать:
— Разрабатывать новые навыки ассистента для продуктовых сценариев.
— Улучшать качество работы агентной системы.
— Строить инфраструктуру и методологию оценки качества Evaluation.
— Дообучать и адаптировать LLM под задачи Ави.

Откликнуться


➡️ Data Scientist в команду Horizontal ML Technologies (GenAI)

Что делать:
— Разрабатывать мультимодальные пайплайны для валидации документов и креативов через связку VLM и LLM.
— Создавать алгоритмы интеллектуального ресайза и адаптации баннеров под разные форматы рекламных площадок.
— Оптимизировать генеративный стек: выводить решения из MVP в highload, снижать стоимость и ускорять генерацию, повышать качество креативов.
— Применять GenAI для performance-сегментации через кластеризацию пользователей.
— Вести полный цикл от исследований до продакшена.

Откликнуться

Куда расти Data Science-инженеру, если он уже синьор? 🤔

В новом выпуске с AvitoTech обсуждаем карьерные треки в Data Science и честно говорим о том, что стоит за каждым из них.

Что обсудим:
🟢Как расти синьорам.
🟢Что ждут от инженеров высоких грейдов.
🟢Почему некоторые выбирают менеджмент, а затем возвращаются в IC-трек.
🟢Какие возможности открывает экспертный путь.

Смотрите, где удобно:
YouTube
VK Видео

PS: Сейчас в Авито проходит Fast Track, проект на котором можно получить оффер на Senior DS по ускоренному пути отбора.

Встречаемся на Turbo ML Conf!

18 июля на конференции от Т-Банка выступит наш ML-инженер Салават Динмухаметов.

Салават расскажет, как устроены рекомендации на главной странице Авито, почему команда сделала ставку на stateful-режим, а также с какими вызовами столкнулась при создании near-time-системы, работающей 24/7.

📍 ДК «Серп и Молот»
📅 18 июля

Больше деталей тут

Оффер на Senior Data Science роль за неделю — реально? 🚀

Да. Авито запускает Fast Track — ускоренный отбор для Senior и Senior+ Data Science специалистов. Одна неделя на все технические этапы и финал → оффер в классифайд №1 в мире по количеству пользователей.

🗓 Основные этапы — 20–26 июля. Регистрация открыта до 15 июля.

Как проходит:
🔵 До 15 июля — заявка + HR-скрининг
🔵 До 24 июля — техническая секция (ML-теория + Python)
🔵 25 июля — ML System Design
🔵 26 июля — финал
🔵 До 28 июля — оффер

Преимущества фаст-трека:
🔵 Быстрый отбор и совмещённые этапы
🔵 Все даты известны заранее
🔵 Возможность оценить свои скилы — результат закрепляется на год

Кого ждём:
🔵 От 4 лет опыта в крупных российских и международных IT, BigTech и FinTech компаниях
🔵 Полный цикл разработки моделей — от ресёрча до выкатки в прод
🔵 От 1 года самостоятельного лидирования проекта, автономность и инициативность

Команды на выбор: антифрод и модерация, монетизация и реклама, поиск и рекомендации, вертикальные DS-команды.

🔔 Регистрация — до 15 июля. Успей оставить заявку →

Рекрутеры проведут тебя через все этапы за рекордные сроки.