NSS Lab News

🎓 Работы выпускников. Как научить ИИ генерировать README для проектов с открытым кодом

У открытого репозитория без README не разобраться — это его описание и точка входа. Но писать и поддерживать его руками долго, поэтому README часто устаревает или его нет вовсе.

Захар Попов, выпускник магистратуры ФТИИ по программе «Искусственный интеллект в промышленности», в дипломной работе собрал конвейер, который генерирует README автоматически — для репозиториев на GitHub, GitLab, GitVerse и SourceCraft. Научный руководитель — Николай Никитин.

Это не отдельный скрипт, а модуль проекта OSA — открытой разработки лаборатории АИСТ. Внутри — мультиагентная система с циклом самооценки: она не просто генерирует README, а сама проверяет и улучшает результат.

Чем работа сильна:
🔹 README собирается в один клик — не нужно вручную писать и обновлять документацию;
🔹 Захар в команде OSA с самого зарождения проекта: за два года видел, как тот растёт — новые возможности, конференции, статьи;
🔹 больше всего в работе ему было ценно проектировать архитектуру вместе с командой и доводить первые прототипы до рабочего результата.

Работу Захара отдельно отметила государственная экзаменационная комиссия.

Где это пригодится: всюду, где у проекта с открытым кодом должен быть понятный README, но писать его руками некогда.

Что дальше — Захар продолжит развивать OSA в составе команды.

Репозиторий с кодом: https://github.com/aimclub/OSA

#работы_выпускников

RAGU - на HuggingFace!

Сегодня мы выложили на HuggingFace препринт про открытый GraphRAG-фреймворк RAGU.

RAGU - это модульный GraphRAG-движок, который превращает сырой текст в граф знаний: извлекает сущности и связи, строит и чистит граф, а затем ищет ответы через локальные, глобальные или гибридные стратегии.

Этот проект сейчас разрабатывается совместно Лабораторией прикладных цифровых технологий НГУ (Иван Бондаренко) и Лабораторией автоматизированного мульти-агентного ИИ ИТМО (Николай Никитин). В разработке активно участвуют студенты обоих университетов.

В комплект фреймворка входит также новая компактная модель Meno-Lite-0.1 на 7B параметров (первое место на SemEval-2026 Task 8 MTRAG). В препринте, (сейчас он на рецензии на одной из A*-конференций), мы показали, что для построения качественного графа знаний не обязательно задействовать большие модели: наш 7B-экстрактор показывает результат лучше, чем Qwen2.5-32B на построении графов. Также, фреймворк недавно ставил одним из победителей конкурса Yandex Open Source.

Если говорить о конкретных цифрах:
RAGU достает до 84% релевантного контекста в медицинских бенчмарках (у конкурентов ≤76%). Мы обходим HippoRAG 2 на креативных задачах (59.0 против 56.9). При этом стоимость обработки — $0.001 за документ в сравнии с $0.10 у API-решений.

Как пользоваться RAGU:
Ставится одной командой pip install graph_ragu, работает на обычной потребительской видеокарте. Код открыт (MIT), веса — Apache 2.0.

Как поддержать:

Если разработка заинтересовала, то ее можно поддержать в Daily Papers на Huggingface, поставив upvote тут: https://huggingface.co/papers/2607.11683

Также, будет рады звездочкам на репозиторий: https://github.com/RaguTeam/RAGU

Если есть вопросы - пишите в комментариях или в Issues на GitHub.

P.S. Если хотите посмотреть, как всё работает:
- 2 минуты: базовая настройка и первый запуск
- 11 минут: глубокое погружение в конфигурации пайплайна

🎓 Работы выпускников. Как алгоритм сам выводит законы природы из данных

Физический процесс обычно описывают дифференциальным уравнением — но чтобы его составить, нужен учёный. А что если уравнение по данным наблюдений выведет сам алгоритм?

Тимур Бавшин, выпускник магистратуры ФТИИ по программе «Большие данные и машинное обучение», в дипломной работе занимался автоматическим поиском таких уравнений. Научный руководитель — Александр Хватов.

Ключевая идея — оценивать модель не только по ошибке, но и по устойчивости: хорошее уравнение не должно менять структуру на разных участках одних и тех же данных. Этот критерий Тимур формализовал и встроил прямо в процесс поиска, а не как проверку постфактум. Так отсеиваются переусложнённые и случайно подошедшие решения — остаются те, что отражают реальную структуру процесса. Работа сделана в лаборатории NSS ИТМО, а метод встроен в открытый фреймворк EPDE.

Где это пригодится:
🔹 там, где важна интерпретируемость — например, в робототехнике: понятное уравнение показывает, что происходит с системой, в отличие от «чёрного ящика»;
🔹 как инструмент открывать новые закономерности прямо из данных.

Что дальше — продолжить тему в аспирантуре и довести наработки до практики.

Репозиторий с кодом: github.com/ITMO-NSS-team/EPDE

#работы_выпускников