Репост из: ИИ Песочница Sber AI Lab
⚡️Sber AI Lab на AAMAS 2026
4️⃣ статьи представили на демо треке AAMAS 2026 исследователи Sber AI Lab:
🎤SpeakerAICoach: A Multi-Agent Mobile Presenter Training
Мультиагентный мобильный тренер для выступлений с мультимодальной обратной связью.
Проблема: коучинг должен учитывать не только текст, но и динамику речи, жесты, взгляд, эмоции.
Подход: агенты для речи и видео анализируют фрагменты, агрегатор собирает timeline, LLM превращает данные в рекомендации.
Результат: Android-демо с объяснимой обратной связью по каждому фрагменту.
📄 PDF
🤖LightAutoDS-Tab: Multi-AutoML Agentic System for Tabular Data
Мультиагентная AutoML-система для табличных данных.
Проблема: AutoML на основе LLM гибок, но дорог и нестабилен. Классические инструменты надёжны, но хуже адаптируются.
Подход: агент выбирает между генерацией кода или использованием специализированных AutoML-инструментов в зависимости от задачи и времени на нее
Результат: преимущество над AutoKaggle и AIDE.
📄 PDF
⚙️Towards Automated Integration of Novel ML Tools Into LLM-Driven AutoML Agents
Автоматическая интеграция ML-библиотек в LLM-агентов.
Проблема: LLM-агенты ошибаются в API специализированных библиотек, особенно новых.
Подход: система извлекает структуру API, сигнатуры, примеры и строит граф для точного вызова инструментов.
Результат: фреймворк для AutoML-агентов с отслеживаемым использованием инструментов.
📄 PDF
🚒 LLM-Guided Multi-Agent Evacuation Coordination via Episodic Memory and Cognitive Task Analysis
LLM-координатор + эпизодическая память для управления эвакуацией при пожаре.
Проблема: мало данных, смена сценариев, высокая цена ошибки.
Подход: локальные политики агентов + LLM-командир. Эпизодическая память хранит похожие ситуации.
Результат: в ситуации с новым очагом пожара (которого не было в обучающих данных) доля успешно эвакуировавшихся увеличилась с 67% до 82.5% благодаря использованию эпизодической памяти..
📄 PDF
🔥 - если хотите детальный разбор любой из этих работ!
❤ @sb_ai_lab
4️⃣ статьи представили на демо треке AAMAS 2026 исследователи Sber AI Lab:
🎤SpeakerAICoach: A Multi-Agent Mobile Presenter Training
Мультиагентный мобильный тренер для выступлений с мультимодальной обратной связью.
Проблема: коучинг должен учитывать не только текст, но и динамику речи, жесты, взгляд, эмоции.
Подход: агенты для речи и видео анализируют фрагменты, агрегатор собирает timeline, LLM превращает данные в рекомендации.
Результат: Android-демо с объяснимой обратной связью по каждому фрагменту.
🤖LightAutoDS-Tab: Multi-AutoML Agentic System for Tabular Data
Мультиагентная AutoML-система для табличных данных.
Проблема: AutoML на основе LLM гибок, но дорог и нестабилен. Классические инструменты надёжны, но хуже адаптируются.
Подход: агент выбирает между генерацией кода или использованием специализированных AutoML-инструментов в зависимости от задачи и времени на нее
Результат: преимущество над AutoKaggle и AIDE.
⚙️Towards Automated Integration of Novel ML Tools Into LLM-Driven AutoML Agents
Автоматическая интеграция ML-библиотек в LLM-агентов.
Проблема: LLM-агенты ошибаются в API специализированных библиотек, особенно новых.
Подход: система извлекает структуру API, сигнатуры, примеры и строит граф для точного вызова инструментов.
Результат: фреймворк для AutoML-агентов с отслеживаемым использованием инструментов.
🚒 LLM-Guided Multi-Agent Evacuation Coordination via Episodic Memory and Cognitive Task Analysis
LLM-координатор + эпизодическая память для управления эвакуацией при пожаре.
Проблема: мало данных, смена сценариев, высокая цена ошибки.
Подход: локальные политики агентов + LLM-командир. Эпизодическая память хранит похожие ситуации.
Результат: в ситуации с новым очагом пожара (которого не было в обучающих данных) доля успешно эвакуировавшихся увеличилась с 67% до 82.5% благодаря использованию эпизодической памяти..
🔥 - если хотите детальный разбор любой из этих работ!
❤ @sb_ai_lab