Как проект из ШАДа попал в Spotlight статей на конференции ICML 2026 Графовые нейросети работают медленнее, чем могли бы — и дело не в сложности вычислений. Операции агрегации признаков соседей вычислительно простые, но граф вынуждает GPU прыгать по случайным участкам памяти: у одной вершины три соседа, у другой — три тысячи, их признаки разбросаны по всей HBM. Вычислительные блоки простаивают в ожидании данных, и чем мощнее GPU — тем заметнее этот перекос. Проблема, которую FlashAttention в своё время решил для трансформеров, для GNN оставалась открытой. Фёдор Великонивцев, старший исследователь Yandex Research и руководитель группы эффективных GPU-вычислений, рассказывает, как проект из курса в ШАДе превратился в статью, попавшую в Spotlight на ICML-2026. Команда разложила популярные GNN на три паттерна и разработала для каждого свои кернелы. Дополнительно разобрались, когда переупорядочивание вершин в памяти реально помогает, а когда — нет. Все кернелы доступны как drop-in replacement для существующих GNN-фреймворков. #статья
КаКак мы делаем Яндекс
CategoryOtherLanguageRUFirst seenJul 06, 2026QualityVerified
Subscribers676
Avg views931
ERR137.7%
Price-- RUB
Price / subscriber--
Price / view--
Metrics updated: Jul 07, 2026
Recent posts
Опенсорсим YaGS Plugin: открытый плагин для работы с 3DGS внутри Unreal Engine Создать фотореалистичную 3D-сцену быстро и дёшево — до сих пор не самая простая задача. Классическое моделирование и фотограмметрия ломаются на волосах, хроме, стекле и отражениях, а масштабировать съёмку на тысячи объектов слишком дорого. 3D Gaussian Splatting предлагает другой подход — восстанавливать сцену из миллионов облаков-гауссиан прямо из данных с камер — но без правильной обвязки этот метод сложно вписать в реальный production-пайплайн с Unreal Engine. Сегодня команда разработки технологий персональных сервисов Яндекса выложила в опенсорс YaGS Plugin, который делает Gaussian Splatting полноценной частью сцены в Unreal Engine. В статье — устройство splatting-рендеринга в сравнении с мешами, метод компенсации микродвижений человека, извлечение геометрии из облака сплатов для анимации, а также применение 3DGS в совершенно разных задачах: сканирование актёров для кино и фотореалистичная симуляция для обучения автопилота. #статья
Нейро сети для самых маленьких. Часть первая (которая после нулевой). Удобство в прокрустовом ложе оптимизации Для обучения и инференса нейросетей используются специализированные технологии. GPU/TPU, RDMA, Kernel bypass, NVLink, InfiniBand, RoCE — про некоторые из них большинство что-то слышали, но сталкиваться с ними не приходилось. Если же взять ванильный стек Linux, воткнуть в него 400 Gb Ethernet+IP — рабочей инфраструктуры для запуска нейронных сетей не получить. Марат Сибгатулин из Yandex Infrastructure в новой серии статей «Нейро сети для самых маленьких» объясняет, почему. Вместе с ним пройдёмся по захватывающей истории общих и специальных технологий, узнаем, на какие ухищрения идут вендоры и провайдеры услуг, и на масштабе больших вычислительных кластеров подсчитаем, какие оптимизации в специализированных решениях дают выигрыш как в скорости, так и в стоимости. #статья
Умеют ли трансформеры водить машину Современные трансформеры хорошо работают с текстом и изображениями, но управлять автономным автомобилем в реальном городе — это принципиально другая задача. Предсказывать траектории в Open Loop и реально ехать в замкнутом цикле Closed Loop — разные вещи: модель, которая идеально угадывает будущее в тестах, может беспомощно вилять по дороге в симуляции. Максим Спорышев, руководитель службы поведения и предсказания движения в Автономном транспорте Яндекса, рассказывает, как трансформеры применяются в задаче Motion Planning на реальных автомобилях. В статье — устройство входных данных, архитектура трансформерного энкодера-декодера, трекинг агентов и авторегрессионное декодирование траекторий. А ещё — как аугментация корректирующими траекториями исправляет провал в Closed Loop, и почему простой RL поверх имитационного обучения даёт скачок в качестве вождения. #статья
Семь раз подумай, один раз пошардируй: как мы начали горизонтально масштабировать метаданные чатов Телемоста Что делать, если нагрузка на мессенджер пробивает 650 000 запросов в секунду, а мастер-нода PostgreSQL уже уперлась в потолок по CPU и дискам? В бэкенде чатов Телемоста сообщения улетают в YDB, а составы чатов, права доступа и экосистемные интеграции с Яндекс Go и Яндекс Едой — в Postgres. Когда каждая поездка на такси или заказ еды начали создавать по новому чату, место на SSD стало уменьшаться с огромной скоростью. Готовые роутеры вроде SPQR не помогли и был только один выход — писать кастомное шардирование прямо в коде приложения. Никита Звонарёв, разработчик из Яндекс 360, рассказал, как удалось переехать на горизонтальное масштабирование без даунтаймов и сложных распределенных транзакций. Объяснили, почему команда выбрала ключ шардирования chat_id и как строковый сервис «Шарпей» помог добавлять новые пустые ноды без перемещения терабайтов старых данных. #статья