С 6 по 11 июля в сеульском выставочном центре COEX прошла ICML 2026 — одна из главных конференций по машинному обучению. В этом году организаторы получили 23 918 заявок в основной трек, из которых приняли 6352 работы, что соответствует акцептанс-рейту около 26,6%. Также было отобрано 536 Spotlight-докладов и 168 Oral-презентаций. Масштаб события таков, что охватить его целиком невозможно: шесть дней нон-стопа включали день Expo и туториалов, три дня основной программы и два дня воркшопов.
Карина Романова, разработчик в Яндексе, занимающаяся LLM-агентами в Алисе, прилетела на конференцию вместе с командой. В своей статье на Habr она объясняет, зачем тратить время на перелёты, когда статьи уже доступны на arXiv, а код — на GitHub. По её словам, офлайн-конференции — единственный способ за несколько дней прочувствовать реальный фокус сообщества, встретиться с авторами работ и узнать детали, которых нет в опубликованных текстах. Самые полезные вещи часто происходят вне расписания: пятиминутный разговор у постера может дать больше часового доклада, а случайный кофе — привести к новой коллаборации.
| Показатель | Значение |
|---|---|
| Заявки в основной трек | 23 918 |
| Принятые работы | 6352 |
| Акцептанс-рейт | 26,6% |
| Spotlight-доклады | 536 |
| Oral-презентации | 168 |
Яндекс представил на ICML 2026 16 работ: восемь в основном треке и восемь на воркшопах. Темы охватывали графовые и табличные модели, оптимизацию обучения LLM, поиск и рекомендательные технологии, перенос знаний и оценку качества моделей. Особый интерес у посетителей вызвали три исследования.
Первое — статья On Efficient Scaling of GNNs via IO-Aware Layers Implementations, подготовленная ШАД и Yandex Research. Она получила статус Spotlight, который присваивают небольшой доле особенно заметных статей. Авторы обнаружили, что графовые нейросети (GNN) упираются не в вычисления, а в память и скорость передачи данных. Они адаптировали низкоуровневые GPU-оптимизации под особенности графовых данных, применив IO-aware-подход, похожий на идеи из FlashAttention. Для модели GATv2 кастомные GPU-ядра показали ускорение до 8,5 раз относительно библиотеки DGL (медиана — в два раза), а пиковое потребление памяти снизилось до 76 раз (медиана — в шесть раз). Для Graph Transformer отдельная block-sparse-реализация под Tensor Cores ускорила работу до 7,3 раза на локально плотных графах.
Второе исследование — GraphPFN: A Prior-Data Fitted Graph Foundation Model от Yandex Research. Эта работа вошла в основной трек и получила Best Paper Award на воркшопе Graph Foundation Models. GraphPFN основана на подходе Prior-Data Fitted Networks: модель предобучают на миллионах синтетических графов, что позволяет ей работать с реальными графами «из коробки» в режиме in-context learning без долгого переобучения или после минимального файнтюнинга. На широком наборе реальных графовых датасетов GraphPFN показала лучшие результаты среди протестированных подходов. На том же воркшопе Людмила Прохоренкова из Yandex Research участвовала в панельной дискуссии о будущем graph foundation models вместе с исследователями из RWTH Aachen, Georgia Tech и Arizona State University.
Третья работа — совместное исследование с Владимиром Платоновым (Head of Alice ИИ) и коллегами из Keenable.ai под названием Weight-Space Geometry of Offline Reasoning Training. Подробности в статье не раскрываются, но, судя по названию, она посвящена геометрии пространства весов при обучении рассуждениям в офлайн-режиме. Это направление связано с оптимизацией LLM и может иметь значение для развития ИИ-агентов.
Заметная часть разговоров на конференции вращалась вокруг ИИ-агентов. Это отражает общий тренд отрасли: переход от простых языковых моделей к системам, способным автономно выполнять задачи. Для Яндекса, который активно развивает LLM-агентов в Алисе, это особенно актуально. Офлайн-формат позволяет не только представить свои работы, но и понять, куда движется сообщество, какие проблемы считаются ключевыми и какие подходы вызывают наибольший интерес.
