Practical ML Conf 2026: главное из программы

Привет! Меня зовут Пётр Ермаков, я ML-бренд-директор в Яндексе. В этом году мы в четвёртый раз проведём Practical ML Conf — главную конференцию о практическом применении ML.

Сентябрь уже начался — пора выбирать доклады и регистрироваться. 

В этом году конференция пройдёт 19 сентября в Москве и онлайн. В центре внимания — агентные системы, обучение и продуктивный инференс больших моделей, генеративные рекомендации, мультимодальный ИИ, автономный транспорт и робототехника. На сцене — специалисты Яндекса, Авито, Сбера, Huawei, Т-Банка и других технологических компаний.

В программе — Data Science, NLP, RecSys, CV, Speech и MLOps. Разберём технологии на пути от экспериментов к продуктам: браузерных VLM-агентов, world models для физического AI, генеративные рекомендации и инфраструктуру массового инференса LLM.

Что в программе

Одним из ключевых докладов будет «World models для физического AI» независимого исследователя Николая Смолянского. Он разберёт, как world models прогнозируют динамику среды и помогают роботам и автономным машинам планировать действия, а равным образом покажет демо робототехнического управления на их основе.

Ещё один keynote-доклад — «Как мы учим Alice AI LLM» Александра Боймеля, руководителя отдела разработки Alice AI LLM. Он разберёт полный цикл обучения флагманской языковой модели Яндекса: от претрейна, на котором закладываются знания и базовые способности, до алайнмента, помогающего сформировать полезное и управляемое поведение модели в продуктах.

VLM и кодинг-агенты

• Agentic Vision: как научить VLM рассуждать и применять инструменты — Данил Кашин, Яндекс R&D. Расскажет, как модели используют планирование, визуальный аналитика и внешние инструменты для повышения точности, а равным образом как обучать и оценивать такие системы.

• RL meets Browser: как мы обучили VLM-агента работать в вебе за пользователя — Артемий Голиков, Яндекс Алиса AI и Умные устройства. Поделится опытом обучения визуального агента работе в реальном браузере, проектирования наград для длинных цепочек действий и интеграции в RL-пайплайн.

• Ouroboros: что внутри агента, обошедшего Codex, Claude Code и Cursor — Антон Разжигаев, AIRI. Разберёт архитектуру, память и петлю самоулучшения кодинг-агента, который, по данным команды, опережает эти системы на открытых бенчмарках. Отдельно — о сбоях: от подсматривания ответов до правок, едва не сломавших систему.

LLM, инференс и MLOps

• Строим экономически эффективный инференс LLM для агентских (и не только) сценариев — Владислав Носивской, Yandex Cloud. Объяснит, как снижать стоимость инференса с помощью выбора схемы параллелизма, KV-aware-маршрутизации, спекулятивного декодирования и разделения prefill и decode.

• Продуктивный Online RL для больших MoE LLM — Никита Ермолаев, SberDevices. Опишет опыт масштабирования инфраструктуры Online RL в GigaChat, применения асинхронных пайплайнов и FP8-обучения.

• Commodity LLM: как мы строим инфраструктуру и процессы для массового инференса LLM — Александр Мисевич, Т-Банк. Покажет, как единый конвейер связывает подготовку, бенчмаркинг, оптимизацию и деплой моделей и помогает снижать стоимость массового инференса. 

• Диффузионный драфтинг в спекулятивном декодинге: DFlash и DSpark — от модели до вывода в продакшн — Станислав Илюшин, Huawei. Опишет архитектуру диффузионных драфтеров и их интеграцию в vLLM и vLLM-Ascend.

Рекомендации, робототехника и аудио

• От рекомендательного стека к одной генеративной модели в Яндекс Музыке — Николай Савушкин, Яндекс R&D. Расскажет о замене сложного стека рекомендательной системы на единую end-to-end генеративную нейросеть, покажет результаты офлайн-замеров и A/B-тестов.

• Как мы развивали трансформерный item-энкодер в рекомендательной модели — Дмитрий Веснин, Авито. Расскажет, как команда заменила DCN трансформерной архитектурой, стабилизировала обучение, решила проблемы при работе с torch.compile и реализовала собственный self-attention на Triton. В финале — результаты A/B-теста новой модели.

• Дальше, точнее, быстрее: query-based-детекция для автономного транспорта — Иван Лунев, Яндекс Автономный транспорт и роботы. Покажет, как переход от BEVFusion к MV2DFusion уже увеличил боковой обзор со 100 до 200 метров; следующий шаг — увеличить дальность вперёд и назад с 250 до 400 метров. Сравнит архитектуры по дальности, точности, скорости и потреблению ресурсов.

• Yet Another Closed-loop Teleoperation — Андрей Маношин, Yandex Robotics. Покажет end-to-end-модель управления всем телом гуманоида, в том числе координацию движений и балансировку.

• Как мы научили GigaChat Audio ориентироваться во времени: temporal grounding для длинных аудиозаписей — Александр Куцаков, Сбер. Разберёт цельный пайплайн time-aware Audio LLM и работу с временными якорями между аудиотокенами.

В дополнение к технических докладов, на конференции пройдут инженерные дискуссии. Участники обсудят, как исследования превращаются в продуктовые технологии, почему некоторые разработки появляются в сервисах раньше научных публикаций и какие результаты компании предпочитают оставлять внутри. Ещё одна дискуссия «Обучение ML в эпоху ИИ: как и насколько сильно нейросети изменят высшее образование и работу инженеров» будет посвящена тому, как меняются обучение и профессия.

Yandex ML Prize

В первый раз в контексте Practical ML Conf вручат Yandex ML Prize — премию Яндекса при экспертной поддержке ШАДа за вклад в развитие машинного обучения. 

В 2026 году у премии три номинации: «Преподаватели», «Руководители образовательных программ» и «Начинающие преподаватели». Перед церемонией участники смогут познакомиться с номинантами и узнать больше об их работе.

Как участвовать

Съезд пройдет 19 сентября в Москве: доклады будут идти в трёх очных залах и одном в интернете. Участие бесплатное, но для очного посещения необходимо заранее зарегистрироваться. Для всех, кто не сможет приехать лично, будет доступна онлайн-трансляция. До встречи на Practical ML Conf 2026 очно и онлайн!