Ручная проверка каждого видео была медленной и дорогой, а собственных качественно размеченных нарушений для обучения автомодерации оказалось мало.
Разложить модерацию на независимые домены и причины нарушений и для каждой части переиспользовать подходящий готовый метод: классификацию кадров, CLIP, детекторы, OCR, Whisper, аудиоклассификатор и метаданные.
По описанию Авито, большинство роликов стало проходить автомодерацию и публиковаться быстрее, а на ручную проверку отправляется небольшой процент видео, где система обнаружила нарушение. Точных значений бизнес- и ML-метрик источник не приводит.
Подробный кейс о данных и ошибках модерации, а не только о выборе модели.
Grab требовалось точнее извлекать текст и структурированные поля из документов на языках Юго-Восточной Азии, чем позволяли исходные OCR- и Vision LLM-решения, при этом задержка должна была оставаться приемлемой для масштабного использования.
Сначала адаптировать Qwen2-VL 2B под визуальный текст целевых языков с помощью специальных данных и полного дообучения, а затем собрать более компактную специализированную Vision LLM, сохранив сильный визуальный энкодер и заменив языковую часть на меньший декодер.
В опубликованных экспериментах полное дообучение Qwen2-VL 2B превосходит LoRA на всех четырёх показанных типах документов; для Thailand document 1 прирост к неопубликованному абсолютному baseline составляет +70 процентных пунктов, для Vietnam document 1 — +40 пунктов. Собственная модель примерно на 1 млрд параметров, по словам авторов, остаётся в пределах 3 процентных пунктов от 2B на большинстве типов документов, а в нормированной шкале задержки снижает P50 с 75 до 39, P90 с 96 до 42 и P99 со 100 до 44. Публикация не сообщает о переводе всего production-трафика на эту модель и не приводит A/B-тест.
Заранее собранный внешний контекст часто добавлял шум, плохо подходил для нескольких изображений и не позволял модели самой запрашивать недостающие сведения.
Обучать модель рассуждать и выбирать полезные обращения к инструментам, получать их реальные результаты и продолжать решение с обновлённым контекстом.
Alice AI 35B Reasoning превзошла инструктивный вариант во всех восьми показанных тестах: например, MathVista — 86,2% против 65,1%. Обученное использование инструментов дополнительно улучшило парные оценки; преимущество относительно Qwen зависело от задачи.
В промышленных CV-задачах данных может быть мало или не быть вообще, а сбор нужных примеров иногда требует дорогих, неудобных или потенциально опасных съёмок. При этом заказчику нужен PoC, чтобы ещё до большого проекта увидеть, что идея технически реализуема.
Использовать два дополняющих подхода. Когда есть исходные фотографии, но не хватает нужных вариантов, команда генерирует синтетические примеры через Fooocus. Когда обучающих примеров нет или гипотезу нужно проверить особенно быстро, используются предобученные zero-shot-модели: CLIP для классификации, Grounding DINO или YOLO-world для детекции и SAM-подобные модели для сегментации.
По слайду 21 команда увеличила датасет пожаров в 5 раз, сообщает mAP0.5 = 0.84 для валидации детектирования очагов возгорания и рост recall класса нарушений с 0.63 до 0.91. Экономия на сборе данных и искусственных съёмках заявлена без денежной оценки. Отдельно автор приводит сроки двух PoC: распознавание автомобильных номеров за 2 недели и аналитика СИЗ за месяц. Эти результаты относятся к данным, моделям и прототипам; доклад не измеряет снижение аварий или эффект полноценного внедрения на производстве.
Старый similarity-алгоритм был интерпретируемым и работал с новыми товарами, но плохо использовал изображения и текст, требовал множества моделей по категориям и почти не персонализировал похожесть.
Перейти к двум дополняющим источникам кандидатов — мультимодальному обученному представлению и отдельному визуальному FashionCLIP — а итоговый порядок персонализировать CatBoost-реранкером.
После объединения двух новых кандидатогенераторов и персонализированного реранкера A/B-тест дал статистически значимый прирост покупок на 1,5%; подробности дизайна теста в источнике не раскрыты.
ID редких и старых товаров плохо обучены, а полный анализ истории до 100 тысяч действий создаёт вычислительные и сетевые расходы.
Отбирать небольшую часть истории по замороженным мультимодальным векторам, затем объединять распределение семантических сходств с вниманием по ID; длинную историю загружать параллельно с подбором кандидатов.
MUSE-100K против промышленного SIM-5K: авторы сообщают +12,6% CTR, +5,1% RPM и +11,4% ROI. Это суммарное изменение системы и длины истории; отдельное офлайн-сравнение ограничено 5K и 1K событий.
Лучший следующий кейс, если хочется понять, как использовать длинную историю без полного тяжёлого внимания ко всем событиям.
Нужно по произвольной фотографии быстро найти подходящие товары в каталоге из сотен миллионов позиций и поддержать уточнение визуального запроса текстом.
Общий SigLIP2 кодирует изображение, а поверх него работают специализированные головы для Image Retrieval, поиска тегов и изменения запроса текстом; товары и теги заранее векторизуются.
В A/B-тесте нового Image Retrieval против текущей продовой модели выросли все показанные бизнес-метрики. Для вектора 256 fp16 GMV изменился на +14,95% на Android и +18,27% на iOS, Orders — на +10,52% и +16,56%. Для ветвей тегов и уточнения текстом в статье сообщается только о продолжающихся внутренних A/B.
Сгенерировать согласованные короткие видео и аудио по тексту или по изображению с текстом, сохранив визуальное качество и управляемую стоимость вычислений.
Двухпоточный CrossDiT с двунаправленным вниманием, последовательным обучением, RL и дистилляцией; отдельный Latent Upscaler и SR-DiT для Full HD.
Исследовательские модели Lite (3B) и Pro (29B) генерируют до пяти секунд видео со звуком 44 кГц; заявлены открытые веса и код. Сравнения показывают улучшение изображения относительно Kandinsky 5.0 и неоднородные результаты относительно других генераторов.
Сценарный чат-бот покрывал заранее описанные пути, а поиск по статьям жил отдельно; для новых задач требовались оператор, корпоративные знания и API.
Связать RAG по интентам и знаниям с оркестрацией специализированных агентов, общими LLM Gateway, MCP, памятью, guardrails и собственным Agent Runtime.
Команда описывает страховой MVP и платформу; для документов — до 30 тыс. файлов/день, 3–30 с и GPU до 95%. Task-success, ROI и бизнес-uplift не измерены.
Блокировка фото с нарушением теряет полезный контент, а ручная проверка дорогая и медленная; исправлять нужно только проблемную область.
Сначала быстрый классификатор отсекает чистые фото, детектор локализует нарушение, а затем система размывает или восстанавливает только найденную область.
Автор сообщает о заметном сокращении ручной модерации и успешном исправлении части причин; численных бизнес-дельт источник не приводит.
Найти идентичные товары разных продавцов среди десятков миллионов карточек: не потерять настоящие дубли и не спутать их с просто похожими товарами.
Сначала отбирать кандидатов по текстовым и визуальным эмбеддингам через Faiss, затем каскадом Bi-encoder и Cross-encoder проверять пары, а после объединять устойчивые связи графовым анализом.
Система обрабатывает около 130 млн товаров, более чем для трети находит дубликаты. Последняя версия с Cross-encoder на момент выступления была в A/B-тесте и ещё ускорялась.