Портфолио ↗ · Telegram · Email · Hugging Face
Data Scientist / ML Engineer · Альфа-Банк · МГТУ им. Н. Э. Баумана
Работаю с данными в банковской сфере, исследую обучение языковых моделей и разрабатываю прикладные AI-системы. Мне интересен весь путь: постановка задачи, эксперимент, оценка качества и интеграция модели в работающий инструмент.
- Профессиональный контекст: банковские данные, графовая аналитика и машинное обучение.
- Исследовательский фокус: дообучение LLM, preference optimization и zeroth-order методы без обратного прохода.
- Инженерная практика: агентные пайплайны, API, локальный инференс и взаимодействие моделей с внешними системами.
- Образование: студент МГТУ им. Н. Э. Баумана; алгоритмы, структуры данных и C++.
Гримуар, небесно-голубые цветы и терпеливое собирание знаний — небольшие отсылки к Фрирен. Любопытство остаётся частью работы.
| Проект | Технический подход | Открытые материалы |
|---|---|---|
| MITS · исследовательский прототип | Profiler → Planner → Tutor → Verifier; граф знаний и SymPy / ChemPy. Qwen3.5-9B, GSPO → KTO → DPO; FastAPI + Next.js. | Документация · Оценка качества |
| D-MeZO-N · исследование | Peer-to-peer fine-tuning без backward. Адаптивное ограничение момента, drift-reset и multi-seed сравнение с vanilla MeZO. | Математический разбор · Эксперименты |
| SupCom AI · прикладная система | Lua-рефлексы + Qwen3.5 4B / 9B. C++ DLL-мост, Named Pipe IPC, Python-сервер и стратегия по правилам при недоступности LLM. | Архитектура и запуск |
| OpenCode Homelab · инфраструктура | OpenCode + llama.cpp + llama-swap; выбор контекста 65K / 128K / 256K, MCP-инструменты и установочные скрипты для Windows. | Архитектура · Установка |
D-MeZO-N v2. На Qwen3.5-4B-Base / MathLogicQA средний loss снизился с 1.368 до 1.293 (−5.5%) относительно vanilla MeZO; 3 paired seeds, одинаковое направление изменения loss во всех трёх прогонах. Прирост accuracy статистически незначим — это результат конкретного эксперимента, а не универсальное превосходство метода. Отчёт, вариант v2 = combo.
MITS. В production-aligned оценке на 209 STEM-задачах: base 69.4%, GSPO 70.3%, KTO 69.9%. Стек: Qwen3.5-9B, Q4_K_M, self-consistency. По предметам есть как улучшения, так и регрессии; результаты другого режима инференса рассматриваются отдельно. Методика и разбор, 18.05.2026.
| Направление | Инструменты и методы |
|---|---|
| Данные и ML | Python · SQL · Pandas · scikit-learn · Graph ML |
| Языковые модели | PyTorch · Transformers · LoRA · GSPO / KTO / DPO · evaluation |
| Системы и инфраструктура | FastAPI · llama.cpp · Ollama · MCP · Docker · Git · Linux |
| Интеграции и интерфейсы | C++ · Lua · TypeScript · Next.js |
- Qwen3 + LoRA — адаптация языковой модели под собственные задачи.
- Reasoning data — генерация данных для обучения рассуждению.
- Speech recognition — эксперименты с Whisper, Wav2Vec и Silero.
- C++ / BMSTU — алгоритмы и структуры данных в учебных работах.
Трёхмерная карта вкладов
Для связи: Telegram · [email protected]
LLM-исследования, прикладное машинное обучение и AI-инструменты. Подробнее обо мне и проектах →
✦ Ещё одна задача. Ещё одно открытие по пути.