2026年4月16日，第三届Yandex...

本研究针对现有机器学习模型在生成俄语代码注释时的低效问题，提出了首个大规模的专用数据集StRuCom（包含153K个示例）。该数据集结合了来源于俄语GitHub仓库的人类编写的注释与合成生成的注释，确保符合多种编程语言的标准，并在对Qwen2.5-Coder模型进行微调时，显著提高了模型的性能。

本研究解决了生成模型训练集中自然语言文本质量不足的问题，尤其是在诗歌创作中。我们提出了一种自动语言异常检测的方法，能够有效识别和过滤低质量文本，进而提升生成模型的输出质量。最重要的发现是，通过引入RUPOR数据集和比较多种异常检测方法，本研究为提高创意领域训练数据集的质量提供了有效工具和见解。

本研究探讨了在资源有限的俄语中实现临床编码自动化的可行性。我们提供了一个新的ICD编码数据集，包括从电子健康记录中注释的诊断字段，具有超过10,000个实体和1,500多个独特的ICD代码，实验表明在经过训练的自动化预测代码下，准确性显著提高，展示了在资源有限语言中实现临床编码自动化的潜力。

GamaCopy模仿俄罗斯Gamaredon APT，自2021年起活跃，主要针对俄语目标，使用军事主题诱饵和UltraVNC进行远程控制，攻击对象包括俄罗斯国防和基础设施。研究人员将其与Core Werewolf关联，并发布了入侵指标。

本研究针对传统大语言模型在特定语言适应时数据需求高、成本昂贵的问题，提出了一种新方法——学习嵌入传播（LEP）。该方法通过直接将新语言知识植入现有的指令调优模型中，降低了所需训练数据量，实验证明其性能与传统调优方法相当，且在自校准和持续调优下可进一步提升任务解决能力。

本研究提出了CleanComedy，一个经过过滤的英语和俄语笑话语料库，旨在解决自然语言处理中的幽默生成问题。研究验证了数据过滤方法的有效性，显著提高了计算机生成幽默的质量。

本研究探讨了俄语科学关键短语生成的挑战，并评估了基于提示的大型语言模型在此任务中的表现。结果表明，这些模型在简单提示下的表现优于常见基准，具有重要的应用潜力。

该研究探讨了自动语音识别（ASR）系统在不同口音上的普适性，提出了新学习机制和算法以提高识别准确性。研究表明，跨语言知识转移和无监督文本到语音合成能显著降低错误率。此外，MSR-86K语料库的发布将推动多语言ASR研究的发展。

该研究探讨了神经网络语言模型在计算俄语语义相似度中的应用，分析了不同模型的性能，并提出了新的评估资源和基准测试，以提升俄语自然语言处理的效果。

研究评估了多个大型语言模型在长上下文理解中的表现，发现GPT-3.5-Turbo-16k在商业模型中表现优于开源模型，但在处理超长上下文时仍存在显著不足。新基准测试LIConBench和LongHealth揭示了模型在长文本和医疗数据处理中的挑战，强调了改进模型以实现更可靠应用的必要性。

本研究探讨了大型语言模型（LLMs）在命名实体识别（NER）任务中的应用，提出了NuNER模型，展示了其在少样本学习中的优势。研究表明，预训练数据集的规模和多样性对性能至关重要。结合小型微调模型和不确定性策略显著提升了NER任务的表现，实验结果显示LLMs在低资源学习中优于传统监督模型，推动了上下文学习的研究进展。

本文介绍了多个自动文本摘要数据集，包括Gazeta、M3LS和MLSUM，涵盖俄语及多语言新闻报道。研究表明，预训练的mBART模型适用于俄语摘要任务，并提出了新的多模态摘要生成方法，展示了在科学领域的应用潜力。

该论文研究了阿拉伯语新闻中使用文本蕴含的应用，并使用了新的语料库。作者开发了两个机器学习模型，用于断言验证和立场预测任务。最佳模型使用预训练（BERT）在立场预测任务上取得了76.7 F1的成绩，在断言验证任务上取得了64.3 F1的成绩。结果显示，预训练学习到的语言特征和世界知识对立场预测有用，但对于没有上下文或证据的断言验证不够。

在多语种语音识别系统中，当语言事先未知但信号已接收并进行处理时，需要使用广义模型来对语音进行识别，根据语音差异来判断所需语言，为此需要设置语音参数值并比较相似声音以确定重要差异。