# поиск Published articles for поиск. This is one page of public article previews, not the complete archive. Follow Next page to continue. Summaries are not the original full articles. ## Открываем претрейн Alice AI Search: как устроена модель быстрых ответов Алисы на Поиске DevFeed: [Открываем претрейн Alice AI Search: как устроена модель быстрых ответов Алисы на Поиске]() Original publisher: [Read original article]() Author: pet67 (Яндекс) Published: 2026-09-11T06:05:13Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Artificial Intelligence](), [AI search](), [Transformers](), [Mixture of Experts (MoE)](), [Large Language Model](), [hugging face]() Tags: [agentic](), [ai](), [ai-search](), [alice-ai](), [hugging-face](), [llm](), [ml](), [moe](), [rl](), [tag-178bc8f01f24](), [tag-4004cf5948d3](), [tag-61cd5a476b1d](), [tag-d89cae10e887](), [tag-e6d9cc1f0757](), [transformers]() ### AI overview This developer article explains the Alice AI Search pipeline for generating fast answers, including its search and context-processing stages, shorter information contexts, a sparse Mixture-of-Experts architecture combined with an Encoder-Decoder, and online reinforcement learning from user behavior signals. It also announces the open release of the Alice AI-T5-35B-A0.6B Base model, with external inference available through Hugging Face Transformers while optimized production inference remains internal to Yandex. ### Source excerpt Быстрый ответ Алисы AI -- это самый массовый генеративный продукт Яндекса и первое соприкосновение с Алисой для пользователей Поиска. Даже в час пиковой нагрузки пользователь должен получить лаконичный ответ за считаные секунды. Для этого мы, команда Alice AI Search, адаптируем весь пайплайн быстрых ответов -- от собственного претрейна с кастомной архитектурой до онлайн-rl-обучения на поведенческие сигналы пользователей. В статье разберём, как устроен генеративный ответ в Поиске, и расскажем про основные улучшения июньского релиза: как мы ускорили ответы за счёт коротких инфоконтекстов, зачем совместили Encoder-Decoder с разреженной MoE-архитектурой и как обучение на реальных пользовательских сигналах повлияло на качество и использование продукта. Кроме того, мы выложили в открытый доступ обученную с нуля модель Alice AI-T5-35B-A0.6B Base с тем ограничением, что внешним пользователям доступен инференс через Hugging Face Transformers, а оптимизированный production-инференс пока доступен только внутри Яндекса. Читать далее ## DCD: доменно-ориентированная архитектура для построения RAG-систем DevFeed: [DCD: доменно-ориентированная архитектура для построения RAG-систем]() Original publisher: [Read original article]() Author: redmadrobot (red\_mad\_robot) Published: 2026-06-18T09:42:21Z Content type: article Language: ru Sources: [Redmadrobot EN](), [Redmadrobot RU]() Topics: [Retrieval Augmented Generation (RAG)]() Tags: [collection](), [domain](), [genai](), [llm](), [nlp](), [rag](), [tag-1cd610c0e518](), [tag-68e701e78517](), [tag-7bc388df28ed](), [tag-d89cae10e887]() ### AI overview The article introduces DCD (Domain-Collection-Document), a hierarchical architecture for organizing knowledge and processing queries in RAG systems. It describes domain-based search restriction, multi-stage routing, structured model outputs, smart chunking, hybrid search, and validation mechanisms intended to improve retrieval and generation quality in heterogeneous document collections. ### Source excerpt Привет! Это Роботы. Недавно мы выпустили статью на arXiv, где представили архитектурный подход DCD (Domain-Collection-Document) для структурирования пространства знаний и обработки запросов в RAG-системах. Мы провели подробные эксперименты, оценили работу подхода на собственном бенчмарке и показали, как он влияет на качество поиска и генерации в сравнении с другими подобными методами. А теперь хотим здесь рассказать о ключевых идеях, лежащих в основе DCD Design. Читать далее ## Как мы сделали гибридный AI-поиск по смыслу книг: двухконтурная архитектура и семантическое ранжирование DevFeed: [Как мы сделали гибридный AI-поиск по смыслу книг: двухконтурная архитектура и семантическое ранжирование]() Original publisher: [Read original article]() Author: redmadrobot (red\_mad\_robot) Published: 2026-01-21T15:59:35Z Content type: article Language: ru Sources: [Redmadrobot EN](), [Redmadrobot RU]() Topics: [Artificial Intelligence](), [Large Language Model]() Tags: [ai](), [ai-bd672f15c6b7](), [llm](), [red-mad-robot](), [tag-56f89eb50742](), [tag-61cd5a476b1d](), [tag-68e701e78517](), [tag-8e9a901cca08](), [tag-d3924b22da16](), [tag-d89cae10e887](), [tag-e75d8ba74bc8](), [tag-fff30f70f2f8]() ### AI overview This article describes how red_mad_robot and the beeline Books service developed a hybrid AI search system for finding books by meaning and context rather than exact keywords. The system vectorized metadata for more than 500,000 books, used an LLM and a vector database, and was designed to match free-form queries such as requests based on mood or themes. ### Source excerpt Всем привет! Меня зовут Яна Чеканова, я проджект-менеджер в red_mad_robot уже два года -- и да, я не технарь, а филолог по образованию. Парадоксально, но именно это образование помогло мне в одном из самых технологичных проектов -- создании AI-поиска для сервиса книги билайн. Идея родилась у команды билайна: они провели исследование и поняли, что большинство читателей не ищут конкретного автора или название, а ориентируются на настроение и ощущение от книги -- "что-то атмосферное", "что-то как любимый роман". Так появилась гипотеза: сделать поиск, который понимает смысл запроса, а не только ключевые слова. Мы подключились, чтобы превратить эту идею в технологию: векторизовали метаданные полумиллиона книг, обучили LLM и собрали гибридную систему, которая подбирает литературу по смыслу и контексту -- даже если запрос звучит просто как "что-нибудь про путешествия во времени". Рассказываю, как это было. Читать далее ## Baidu и AI Search Paradigm: мультиагентная структура для интеллектуального поиска информации DevFeed: [Baidu и AI Search Paradigm: мультиагентная структура для интеллектуального поиска информации]() Original publisher: [Read original article]() Author: redmadrobot (red\_mad\_robot) Published: 2025-10-14T18:36:48Z Content type: article Language: ru Sources: [Redmadrobot EN](), [Redmadrobot RU]() Topics: [AI search](), [Artificial Intelligence](), [Large Language Model](), [information retrieval](), [Retrieval Augmented Generation (RAG)]() Tags: [ai](), [ai-search](), [executor](), [information-retrieval](), [llm](), [rag](), [search](), [tag-d89cae10e887](), [tag-e1c0c11ccefc]() ### AI overview The article analyzes Baidu's AI Search Paradigm, a proposed multi-agent architecture for intelligent search built on large language models. It explains how specialized agents coordinate planning, tool use, execution, and answer writing, and contrasts this approach with classical information retrieval, semantic search, learning-to-rank, and RAG systems. ### Source excerpt Аналитический центр red_mad_robot продолжает разбирать ключевые исследования в сфере интеллектуальных систем и генеративного поиска. На этот раз рассказываем про архитектуру AI Search Paradigm от Baidu -- новой системы интеллектуального поиска, построенной на LLM и мультиагентных методах. Читать далее ## How to Plan and Run a Mobile Developer Competition DevFeed: [How to Plan and Run a Mobile Developer Competition]() Original publisher: [Read original article]() Author: ummpath (Кошелёк) Published: 2021-01-22T08:26:52Z Content type: tutorial Language: ru Sources: ["Кошелёк" RU]() Topics: [Mobile](), [jira]() Tags: [mobile](), [tag-0067c91973d3](), [tag-023ce6a8ce0b](), [tag-4e794c2e1852](), [tag-6a9361e4e24b](), [tag-8e1afdee43dd](), [tag-a06776129f3d](), [tag-d89cae10e887](), [tag-dfb992e6d06a](), [tag-ee4af5075a7c]() ### AI overview A Cardsmobile project manager explains how the company planned and ran the Кошелёк Mobile Challenge, covering goals, audience segmentation, team roles, timelines, budgeting, promotion, and task management. The competition produced sixteen completed assignments, six winners, five team interviews, and a 1 million ruble prize fund. ### Source excerpt В ноябре-декабре 2020 года мы, компания Cardsmobile -- разработчик мобильного приложения "Кошелёк", провели конкурс разработчиков Кошелёк Mobile Challenge. По итогам конкурса мы получили шестнадцать готовых заданий, выбрали шесть победителей, познакомились с ними, провели пять интервью в команду и вручили 1 млн рублей призового фонда. Это был наш первый подобный проект, и в его подготовке мы столкнулись с некоторыми сложностями. Сегодня я, РМ конкурса, хочу рассказать, с чего начать, если вы хотите запустить конкурс для разработчиков, и как с этим проектом справилась наша команда. Читать дальше ->