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 создаю прикладные AI-системы. Люблю доводить идею от постановки задачи и воспроизводимого эксперимента до инструмента, которым можно пользоваться.
Мои темы: графовая аналитика и ML · дообучение LLM и preference optimization · агентные системы и локальный инференс.
Гримуар и небесно-голубые цветы — небольшие отсылки к «Фрирен». Любопытство остаётся частью работы.
Архитектура и открытые материалы проектов
| Проект | Что внутри | Читать дальше |
|---|---|---|
| MITS | Profiler → Planner → Tutor → Verifier; граф знаний, SymPy / ChemPy, Qwen3.5-9B, FastAPI + Next.js. | Документация · Оценка качества |
| D-MeZO-N | Peer-to-peer fine-tuning без backward; ограничение момента, drift-reset и multi-seed сравнение с vanilla MeZO. | Математический разбор · Эксперименты |
| SupCom AI | Lua-рефлексы, C++ DLL-мост, Named Pipe IPC, Python-сервер и стратегия по правилам при недоступности LLM. | Архитектура и запуск |
| OpenCode Homelab | OpenCode + llama.cpp + llama-swap; выбор контекста 65K / 128K / 256K и MCP-инструменты. | 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 · loxterpoi@gmail.com
LLM-исследования, прикладное машинное обучение и AI-инструменты. Подробнее обо мне и проектах →
✦ Ещё одна задача. Ещё одно открытие по пути.