О чём говорили на ICLR 2026

Вы пропустили конференцию в Рио и теперь пытаетесь понять, какие ставки делать на ближайший год — в продукте, в найме, в архитектуре. Ниже — структурированный разбор того, о чём говорили на ICLR 2026, с цифрами, трендами и конкретными выводами для тех, кто строит продукты на ML.

19 525 заявок: масштаб конференции в цифрах

ICLR 2026 прошла с 23 по 27 апреля в выставочном центре Riocentro, Рио-де-Жанейро. Формально — ведущий мировой форум по обучению представлений и глубинному обучению. Фактически — крупнейший ML-ивент планеты по числу заявок.

По данным программного комитета, 19 525 валидных работ прошли первичную проверку. 779 отклонили по формальным причинам, 5 042 авторы отозвали сами, и 13 763 работы дошли до финального решения. Итог: 5 355 принятых статей с коэффициентом приёмки около 27,4%.

Для контекста: это примерно каждая четвёртая работа. Не каждая десятая, как в журналах уровня Nature, но и не проходной двор. При таком потоке заявок сам процесс рецензирования превратился в отдельную тему для дискуссий — к этому ещё вернёмся.

Большие языковые модели на ICLR 2026: восьмикратный рост за четыре года

Ключевые тренды ICLR 2026 проще всего считать по количеству принятых работ в каждом направлении. И здесь LLM доминируют с отрывом.

По данным программного комитета, число статей, посвящённых большим языковым моделям, выросло примерно в восемь раз за четыре года — с единичных работ в 2023-м до нескольких сотен в 2026-м. За этим ростом стоит реальное перераспределение исследовательских бюджетов и приоритетов всей индустрии.

При этом диффузионные модели, которые казались главной темой два года назад, замедлились. Рост от нескольких десятков статей в 2023-м до нескольких сотен в 2025-м выглядит внушительно, но к 2026 году фокус заметно сместился от генерации изображений к reasoning-способностям моделей. Проще говоря, сообщество наигралось в красивые картинки и задалось вопросом: а может ли модель думать.

Для продуктовых команд, которые строят что-то на генеративных моделях: закладывайте архитектуру под reasoning-пайплайны уже сейчас. Через год это будет не конкурентное преимущество, а базовое требование.

Agentic AI и reasoning: модели учатся действовать

Темы докладов ICLR 2026 очерчивают чёткий сдвиг. По оценке Encord, конференция зафиксировала переход от просто больших foundation-моделей к agentic AI — системам, где модели действуют в средах, вызывают инструменты и строят многошаговые планы.

Разница между foundation-моделью и агентной системой примерно такая же, как между справочником и специалистом, который с этим справочником работает: первый хранит информацию, второй самостоятельно находит нужное, сопоставляет данные и принимает решения. Agentic AI — движение в сторону второго.

Ключевыми направлениями стали: agentic AI, reasoning и планирование, мультимодальные foundation-модели, а также вопросы безопасности, интерпретируемости и data governance. Десятки воркшопов были посвящены надёжному и доверенному ИИ, безопасному использованию больших моделей.

Отдельно стоит сказать о масштабе участия крупных лабораторий. Google и Google DeepMind привезли более 95 статей, участвовали в устных докладах и воркшопах по мультимодальности и эффективности моделей. Институт Mila представил около 70 докладов, включая работы по слиянию моделей и обучению с подкреплением. Когда крупнейшие лаборатории несут на конференцию по сотне статей — это не академический интерес. Это дорожная карта индустрии.

Рекурсивное самосовершенствование ИИ: от теории к инженерии

На ICLR 2026 был выделен специализированный день, посвящённый рекурсивному самосовершенствованию ИИ (RSI). Тема, которая ещё недавно жила в пространстве между научной фантастикой и философскими спекуляциями, перешла в плоскость практических инженерных архитектур.

RSI — это когда система улучшает собственные алгоритмы обучения. Не человек настраивает гиперпараметры, а модель сама находит более эффективный способ учиться. На ICLR 2026 это обсуждали как инженерную задачу с конкретными архитектурными решениями.

В рамках дискуссий эксперты опирались на международные доклады по безопасности ИИ. Вопрос уже не «возможно ли RSI», а «как контролировать систему, которая переписывает сама себя». Для бизнеса это сигнал: регуляторные рамки для RSI будут формироваться в ближайшие 2-3 года, и к ним стоит готовиться заранее.

Кризис рецензирования и влияние LLM на научный процесс

Двадцать тысяч заявок — это не только повод для гордости. Это проблема. Кому рецензировать такой объём.

Перед ICLR 2026 разгорелся кризис рецензирования: выяснилось, что часть рецензентов использует LLM для написания отзывов. Двойное слепое ревью оказалось под вопросом. Если рецензент — GPT, а автор — тоже GPT, то кто на самом деле оценивает качество работы.

Это не абстрактная этическая проблема. Если доверие к рецензированию падает, падает и ценность принятия на топовой конференции. А значит — обесценивается сигнал для найма, инвестиций и партнёрств. Для тех, кто нанимает ML-инженеров по публикациям, это повод пересмотреть критерии. Принятая статья на ICLR по-прежнему ценна, но одного этого факта уже недостаточно.

Программный комитет опубликовал детальную ретроспективу процесса, фактически признав масштаб проблемы. Решение пока не найдено, но направление ясно: автоматическая детекция LLM-контента в рецензиях и ужесточение верификации рецензентов.

Российские разработки на ICLR 2026: три работы в глобальном контексте

Теперь — о том, как выглядят российские разработки на ICLR 2026 на фоне всей этой картины.

Исследователи из Сбера, AIRI и Сколтеха представили несколько флагманских работ. Тест HUME — инструмент для более тонкой оценки способности моделей к пониманию текста и рассуждению за пределами простых тестов на переформулирование. Это прямое попадание в тренд reasoning: индустрия учит модели думать, а HUME проверяет, насколько они в этом преуспели.

Метод Clip-SGD обеспечивает строгий анализ сходимости и позволяет обучать модель за один запуск без множества перезапусков. Для команд, которые оптимизируют затраты на обучение, это не теоретическая элегантность — это прямая экономия бюджета.

Работы по геометрии Грассмана нацелены на моделирование сложных инженерных систем с применением предиктивной аналитики в промышленных задачах. Это уже не ML ради ML, а конкретный прикладной результат.

Важно видеть контекст. На фоне 5 355 принятых работ три российских исследования — небольшой вклад по количеству. Тематически все три попадают в центральные треки конференции: reasoning, оптимизация обучения, прикладной ML. Насколько эти работы конкурентоспособны внутри своих треков — вопрос, на который ответят цитирования и воспроизводимость результатов.

Data governance и безопасность: новый обязательный трек

Последний, но критически важный тренд. По данным Encord, ICLR 2026 зафиксировала рост значимости data governance и качества данных: от курируемых датасетов до мониторинга дрейфа данных при эксплуатации больших моделей.

Если агентные системы расширяют возможности модели, то data governance определяет, насколько надёжно эти возможности работают в реальных условиях. Конференция включала десятки воркшопов по надёжному ИИ, интерпретируемости и безопасности. Когда крупнейшие лаборатории тратят значительную часть своих публикаций на safety-тематику, это означает, что безопасность стала инженерной дисциплиной со своими метриками и инструментами, а не набором деклараций.

Для продуктовых команд вывод простой: если вы внедряете LLM или агентные системы, закладывайте бюджет на мониторинг данных, аудит модели и compliance. Через год это будет требованием рынка, а не опцией.

Правда ли, что LLM уже пишут рецензии на научные статьи и это подрывает доверие к конференциям?

Да, и это не слух. Кризис рецензирования перед ICLR 2026 — документированный факт, который обсуждался и программным комитетом, и сообществом. Проблема не решена, но признана. Для практиков это значит, что при оценке кандидатов и партнёров стоит смотреть не только на факт публикации, но и на содержание работы.

Стоит ли разработчикам из СНГ вообще следить за ICLR, если российских работ там единицы?

Стоит, и именно потому, что там формируются стандарты, которые через 12–18 месяцев станут требованиями в продуктах. Российские работы на ICLR 2026 показывают, что участие в глобальной повестке возможно, а тренды конференции — это дорожная карта для любой ML-команды.

Рекурсивное самосовершенствование ИИ — это реальная угроза или академический хайп?

На ICLR 2026 RSI обсуждали уже не как спекуляцию, а как инженерную задачу. Угроза — не в том, что ИИ «восстанет», а в том, что регуляторы примут жёсткие рамки, к которым ваш продукт может оказаться не готов.

Что взять с собой из Рио

ICLR 2026 обозначила пять направлений, которые определят ближайший год: reasoning-способности LLM, агентные архитектуры, data governance, безопасность моделей и оптимизация обучения. Кризис рецензирования напомнил, что инструменты, которые мы создаём, меняют и сам процесс их создания.

Для тех, кто строит продукты: закладывайте reasoning-пайплайны, инвестируйте в мониторинг данных, следите за регуляторикой RSI. Для тех, кто нанимает: смотрите глубже публикационного списка. Для всех: следующая ICLR покажет, кто из сотен LLM-работ этого года превратился в реальный продукт, а кто остался PDF-файлом.