Жемал Хамидун
Head of AI в Alpina Digital, CPO флагманского продукта AlpinaGPT (команда ~30 человек). Основатель Vibe Academy и Hamidun Consulting, автор Telegram-канала «Готовим ИИшницу» (@jemal_hamidun).

Nullify стирает знания из LLM без дообучения: векторы в null-пространстве
Метод Nullify заставляет LLM «забывать» приватные данные прямо на инференсе: веса не меняются, а качество забывания на TOFU и MUSE не уступает базовым методам.

Мультимодальная нейросеть для Альцгеймера достигла AUROC 0,935 на 2649 пациентах
Новый фреймворк объединяет МРТ, клинические трансформеры и ODE-GRU. На ADNI, OASIS-2 и MIRIAD AUROC диагностики равен 0,935, но на внешней OASIS-3 падает до 0,763.

CARing учит LLM предсказывать диагнозы: R@30 достиг 46,52% на MIMIC-IV
Авторы CARing кодируют диагнозы через Semantic IDs и награждают модель за охват разных диагнозов. На MIMIC-III и MIMIC-IV R@30 в режиме рассуждений — 46,04% и…

Телеметрия роутера MoE выдаёт данные дообучения: атака точнее на 2,7–9,4 п.п.

SPERA обучили на 80 000 часов EEG от 29 048 человек и проверили на 9 задачах

Пробам активаций для Gemma-3-27B хватает 80 синтетических диалогов, но не везде

Temporal Transformer для CAN-шины ловит аномалии без обмена сырыми данными

Заморозка декодера при сжатии KV-кэша даёт 3x экономии памяти, но не рост точности
Работа на arXiv показывает: при SVD-сжатии KV-кэша дообучение одного энкодера по качеству равно альтернативам, но втрое дешевле по параметрам и памяти оптимизатора.

SFT-as-context возвращает дообученным LLM общие навыки: разрыв всего 2,2 п.п.
Новый метод без дообучения заставляет базовую модель использовать ответ SFT-версии как контекст. На 19 парах моделей потери по общим навыкам в среднем не выше 2,2…

Врачи спрашивают LLM не о диагнозах: 127 833 запроса против 58 бенчмарков

FedAlphaEdit сводит правки знаний от разных организаций в одну LLM без обмена данными

Три LLM плохо следуют промптам о запинках и перебиваниях, правила справляются лучше

Социолингвистика вместо LLM-судей: персоны для симуляции тестируют на 5 агентах

Routed Sparse Autoencoders разделяют в речи слова и интонацию на WavLM и SPEAR
Новый метод на базе TopK-автоэнкодера разводит содержание речи и голос с эмоциями по разным маршрутам. Проверка: два энкодера, два корпуса, независимые пробы.

Galahad-kv сохраняет KV-кэш на NVMe и грузит блок в 2,8–4,3 раза быстрее пересчёта
Пакет galahad-kv хранит KV-состояние 50 млн токенов на зашифрованном NVMe. На H100 загрузка блока быстрее пересчёта в 2,8–4,3 раза, а энергии уходит в 8,8–12,3 раза…









