AI Research

AI Research — направление T-Lab

Станьте частью T-Lab и изучайте новые области AI вместе с исследовательской командой Т-Банка

Кого приглашаем

Начинающих и опытных исследователей, которые хотят искать ответы на фундаментальные вопросы в области AI

Как все устроено

Оформляем трудовой договор на год с T-Lab. Лаборатории базируются в вузах, которые активно развивают науку. Для участия необязательно быть студентом университета

Кому будет интересно

Студентам старших курсов без опыта в исследованиях, но с твердым желанием развиваться в этом направлении. Поможем реализовать идеи, а в случае удачного сотрудничества пригласим в команду
Всем, у кого есть интересующая тема для исследования, но недостаточно ресурсов для экспериментов и опыта для написания сильной статьи

Открытые проекты

Подавайте заявку в лабораторию AI Research, чтобы исследовать проекты вместе с нами

Модели мира

Анализируем наблюдения, чтобы прогнозировать будущие состояния среды и использовать их при планировании следующих действий

VLM-агенты

Разрабатываем мультимодальные VLM-агенты для игровых и реальных сред в связке с быстрыми экспертными моделями и схемами их RL-обучения

Как мы работаем

В направлении AI T-Lab — 15+ человек с разным бэкграундом: от ученых с PhD до разработчиков без опыта в исследованиях

Мыслим системно

Опираемся на научные методы и осознанно выбираем подходы к исследованиям

Не боимся ошибок

Любим смелые решения, даем возможность экспериментировать и начинать с начала

Поддерживаем друг друга

Советуем инструменты, обсуждаем гипотезы, вдохновляем на смелые исследовательские идеи и помогаем их развивать

Объединяемся ради общих целей

Делимся результатами с научным сообществом и публикуем эксперименты, которые могут стать основой прорывных открытий

Сильное комьюнити

Рассказываем об исследованиях, делимся находками, результатами и сложностями

Работа над исследованиями в команде экспертов

Делимся опубликованными статьями команды AI Research за 2022–2025 годы

Grounding Keypoint Descriptors into 3D Gaussian Splatting for Improved Visual Localization (Gennady Sidorov, Malik Mohrat, Denis Gridusov, Ruslan Rakhimov, Sergey Kolyubin) — IROS 2025, Oral
Steering LLM Reasoning Through Bias-Only Adaptation (Viacheslav Sinii, Alexey Gorbatovski, Artem Cherepanov, Boris Shaposhnikov, Nikita Balagansky, Daniil Gavrilov) — ICML 2025, Workshop on Efficient Systems for Foundation Models
Analyze Feature Flow to Enhance Interpretation and Steering in Language Models (Daniil Laptev, Nikita Balagansky, Yaroslav Aksenov, Daniil Gavrilov) — ICML 2025
The Differences Between Direct Alignment Algorithms are a Blur (Alexey Gorbatovski, Boris Shaposhnikov, Viacheslav Sinii, Alexey Malakhov, Daniil Gavrilov) — ICLR 2025, Workshop on Building Trust in Language Models and Applications
Mechanistic Permutability: Match Features Across Layers (Nikita Balagansky, Ian Maksimov, Daniil Gavrilov) — ICLR 2025
Learn Your Reference Model for Real Good Alignment (Alexey Gorbatovski, Boris Shaposhnikov, Alexey Malakhov, Nikita Surnachev, Yaroslav Aksenov, Ian Maksimov, Nikita Balagansky, Daniil Gavrilov) — ICLR 2025
XLand-100B: A Large-Scale Multi-Task Dataset for In-Context Reinforcement Learning (Alexander Nikulin, Ilya Zisman, Alexey Zemtsov, Vladislav Kurenkov) — ICLR 2025

In-Context Reinforcement Learning for Variable Action Spaces (Viacheslav Sinii, Alexander Nikulin, Vladislav Kurenkov, Ilya Zisman, Sergey Kolesnikov) — ICML 2024
Diversifying Deep Ensembles: A Saliency Map Approach for Enhanced OOD Detection, Calibration, and Accuracy (Stanislav Dereka, Ivan Karpukhin, Maksim Zhdanov, Sergey Kolesnikov) — IEEE ICIP 2024
Linear Transformers with Learnable Kernel Functions are Better In-Context Models (Yaroslav Aksenov, Nikita Balagansky, Sofia Maria Lo Cicero Vaina, Boris Shaposhnikov, Alexey Gorbatovski, Daniil Gavrilov) — ACL 2024
Emergence of In-Context Reinforcement Learning from Noise Distillation (Ilya Zisman, Vladislav Kurenkov, Alexander Nikulin, Viacheslav Sinii, Sergey Kolesnikov) — ICML 2024
XLand-MiniGrid: Scalable Meta-Reinforcement Learning Environments in JAX (Alexander Nikulin, Vladislav Kurenkov, Ilya Zisman, Artem Agarkov, Viacheslav Sinii, Sergey Kolesnikov) — NeurIPS 2024

Revisiting the Minimalist Approach to Offline Reinforcement Learning (Denis Tarasov, Vladislav Kurenkov, Alexander Nikulin, Sergey Kolesnikov) — NeurIPS 2023
CORL: Research-oriented Deep Offline Reinforcement Learning Library (Denis Tarasov, Alexander Nikulin, Dmitry Akimov, Vladislav Kurenkov, Sergey Kolesnikov) — NeurIPS 2023
Katakomba: Tools and Benchmarks for Data-Driven NetHack (Vladislav Kurenkov, Alexander Nikulin, Denis Tarasov, Sergey Kolesnikov) — NeurIPS 2023
Anti-Exploration by Random Network Distillation (Alexander Nikulin, Vladislav Kurenkov, Denis Tarasov, Sergey Kolesnikov) — ICML 2023

Showing Your Offline Reinforcement Learning Work: Online Evaluation Budget Matters (Vladislav Kurenkov, Sergey Kolesnikov) — ICML 2022
Deep Image Retrieval is not Robust to Label Noise (Stanislav Dereka, Ivan Karpukhin, Sergey Kolesnikov) — CVPR 2022, Open-Domain Reasoning Under Multi-Modal Settings Workshop
PALBERT: Teaching ALBERT to Ponder (Nikita Balagansky, Daniil Gavrilov) — NeurIPS 2022, Spotlight
Prompts and Pre-Trained Language Models for Offline Reinforcement Learning (Denis Tarasov, Vladislav Kurenkov, Sergey Kolesnikov) — ICLR 2022, Workshop on Generalizable Policy Learning in Physical World
Classifiers are Better Experts for Controllable Text Generation (Askhat Sitdikov, Nikita Balagansky, Daniil Gavrilov, Alexander Markov) — ACL 2022, Workshop on Transfer Learning for Natural Language Processing
EXACT: How to Train Your Accuracy (Ivan Karpukhin, Stanislav Dereka, Sergey Kolesnikov) — ICML 2022, Topology, Algebra, and Geometry in Machine Learning Workshop
Q-Ensemble for Offline RL: Don’t Scale the Ensemble, Scale the Batch Size (Alexander Nikulin, Vladislav Kurenkov, Denis Tarasov, Dmitry Akimov, Sergey Kolesnikov) — NeurIPS 2022, Offline RL Workshop
Let Offline RL Flow: Training Conservative Agents in the Latent Space of Normalizing Flows (Dmitriy Akimov, Vladislav Kurenkov, Alexander Nikulin, Denis Tarasov, Sergey Kolesnikov) — NeurIPS 2022, Offline RL Workshop

Как попасть в лабораторию AI Research

Оставьте заявку до 4 марта

Заполните форму ниже и зарегистрируйтесь на платформе Т-Образования, чтобы пройти вступительные испытания

Заполните анкету

Выберите T-Lab в личном кабинете и заполните анкету участника. Расскажите о своем опыте и о том, почему хотите заниматься исследованиями

Выполните тестовое задание

С 18 февраля по 4 марта на почту придет уведомление с датой экзамена. Вам предстоит провести или описать эксперимент либо проверить гипотезу. Чтобы подготовиться, вспомните базовый ML и математику уровня первого курса технического университета

Пройдите собеседование

Всех, кто успешно справится с отборочными испытаниями, пригласим на встречу с куратором до 13 марта

Дождитесь письма о результатах собеседования

Если мы друг другу подойдем, сможете начать работу в марте–апреле 2026 года