Открытый код ФКН ВШЭ

💻 Презентация открытых проектов ФКН

Рады сообщить, что 1 октября мы подводим итоги второго конкурса открытых проектов ФКН!

В ходе мероприятия:
⚪️ презентация проектов
⚪️ подведение итогов конкурса
⚪️ награждение победителей

Приходите узнать про открытые проекты студентов и сотрудников ФКН, поддержать финалистов, найти вдохновение для собственных проектов и погрузиться в мир open-source!

📆 Когда: 1 октября, 18:00
🗺️ Где: Покровский бульвар 11, R308

Ждем всех на церемонии награждения!

@hse_cs_opensource

RL-ABC

В репозитории опубликован код RL-ABC — библиотеки на Python для настройки каналов транспортировки пучка в ускорителях частиц с помощью обучения с подкреплением. Авторы рассматривают задачу подбора параметров магнитов, при которых до конца канала доходит как можно больше частиц. Применение обучения с подкреплением к такой задаче обычно требует отдельной разработки среды для каждой конфигурации ускорителя. RL-ABC автоматизирует эту подготовку, преобразуя поддерживаемые конфигурации симулятора Elegant в среды с интерфейсом Gymnasium. Система добавляет диагностические точки перед настраиваемыми элементами и формирует наблюдения из 57 признаков, описывающих состояние пучка и геометрические ограничения канала. Агент последовательно меняет параметры магнитов, а симулятор пересчитывает движение частиц и возвращает наблюдение и награду, зависящую от потерь пучка. Предусмотрено и поэтапное обучение, при котором сначала настраивается короткий участок канала или ограниченный набор параметров, а затем задача постепенно усложняется. В экспериментах используется упрощённая модель канала транспортировки позитронов комплекса ВЭПП-5 с 11 квадрупольными и четырьмя дипольными магнитами. При подборе только фокусирующих параметров квадруполей агент DDPG находит конфигурации, обеспечивающие в среднем 69,8% прохождения частиц по трём независимым запускам. При настройке всех 37 параметров средний результат составляет около 66%. Короткое предварительное обучение на ограниченном наборе параметров ускоряет начальную адаптацию, но практически не меняет итоговое качество найденных конфигураций. Работа будет полезна специалистам по физике ускорителей, которым нужна готовая среда для экспериментов с автоматической настройкой, и исследователям обучения с подкреплением, изучающим управление системами с непрерывными действиями и нелинейной динамикой.

статья | код

DRAGON

В репозитории опубликован код DRAGOn — методологии и фреймворка для построения RAG-бенчмарков на регулярно обновляемом корпусе. Авторы обращают внимание на проблему статических наборов данных для оценки RAG-систем. Если тестовый корпус долго не меняется, в него постепенно проникает data leakage, а результаты начинают отражать не только качество retrieval и generation, но и то, что модель уже видела похожие тексты при обучении. DRAGOn предлагает более практичную постановку, где бенчмарк живёт вместе с источником данных и регулярно пересобирается на новых документах. В работе это показано на русскоязычном новостном корпусе, но сама схема может быть перенесена и на другие домены, например научные статьи или юридические документы. Ключевая идея DRAGOn состоит в том, чтобы автоматизировать весь цикл оценки. Система регулярно собирает новые тексты, строит по ним граф знаний, генерирует вопросы и ответы с помощью LLM, фильтрует неудачные примеры и публикует новые версии датасета. В итоговый набор входят отдельные коллекции документов, вопросов и скрытых ответов, что позволяет воспроизводимо сравнивать разные RAG-системы на одинаковом материале. Для фильтрации авторы используют несколько этапов проверки, включая контроль грамматичности, проверку соответствия графу знаний и LLM-as-Judge оценку на модели POLLUX 7B. Автоматическая оценка показывает высокую точность по сравнению с ручной проверкой, а после всех этапов отбора в каждую категорию попадает по 150 качественных вопросов. Авторы также запускают открытый leaderboard и показывают, как DRAGOn работает в полноценной экспериментальной схеме. Для retrieval сравниваются FRIDA, Qwen 3Embedding 8B, E5 Mistral 7B Instruct и mE5Large Instruct. Лучшие результаты по Hit Rate и MRR дают Qwen 3Embedding 8B и E5 Mistral 7B Instruct. В end-to-end оценке особенно хорошо себя показывает связка сильного retrieval с instruction LLM, а среди рассмотренных генераторов лучший Judge Score получает Ruadapt Qwen 32B. Отдельно работа показывает, что классические метрики вроде ROUGE-L не всегда достаточно хорошо отражают качество RAG, поэтому оценка по нескольким критериям через LLM-as-Judge здесь оказывается особенно полезной. Работа будет полезна исследователям RAG и разработчикам retrieval-систем.

статья | код

DSCA-HLAII

В репозитории опубликован код DSCA-HLAII — модели для предсказания взаимодействия пептидов с молекулами HLA класса II и вероятности их представления иммунной системе. Авторы рассматривают задачу, важную для анализа иммунного ответа, разработки пептидных препаратов и оценки иммуногенности антител. Существующие методы часто используют сокращённые псевдопоследовательности HLA-II и вручную заданные признаки, из-за чего теряется часть контекстной информации и ухудшается перенос на ранее не встречавшиеся аллели. В DSCA-HLAII полные последовательности пептидов и цепей HLA-II описываются сразу двумя типами признаков. ONE-HOT сохраняет информацию на уровне отдельных аминокислот, а представления ESMC добавляют семантические, структурные и функциональные свойства последовательностей. Для моделирования их взаимодействия авторы предлагают модуль DSCA с двумя потоками внимания. Он отдельно обрабатывает пептид и HLA-II, объединяет глобальные и локальные признаки и позволяет выделять позиции, наиболее важные для связывания. В экспериментах модель сравнивается с NetMHCIIpan-4.3, CapHLA, TripHLApan, Graph-pMHC и MixMHCIIPred. На тесте с известными аллелями DSCA-HLAII достигает AUROC 0.988 и AUPR 0.963, а на тесте с полностью новыми аллелями сохраняет AUROC 0.963 и AUPR 0.894, показывая лучший результат среди рассмотренных методов. Дополнительно модель предсказывает положение девятиаминокислотного binding core и выделяет ключевые остатки, участвующие во взаимодействии с HLA-II. Авторы также используют DSCA-HLAII для оценки иммуногенности антител, где метод превосходит Sapiens, Graph-pMHC и NetMHCIIpan на клиническом наборе данных. Работа будет полезна исследователям вычислительной иммунологии, биоинформатики и разработки терапевтических белков, которым важно не только предсказывать взаимодействие пептида с HLA-II, но и понимать, какие участки последовательности определяют это взаимодействие.

статья | код

Открытый семинар: «Образование после ChatGPT: опенсорс-курс на Физтехе и план развития на 2026–2028»

В среду, 16 сентября, в 15:30 состоится совместный семинар Учебно-научного центра гуманитарных и социальных наук и Центра научного программирования МФТИ.

Докладчик — Антон Костин, доцент УНЦ ГСН МФТИ, автор опенсорс-курса «Анализ данных в научной литературе».

О чём поговорим:

- почему нейросети обесценили домашние задания и как превратить курс в настоящий опенсорс-проект;
- что показал первый запуск: слушатели пишут код, размечают датасеты и чинят формы вместе с преподавателем;
- четыре курса 2026/27 на Физтехе, ИИ-сокурсник botai и стандарт качества курсов OCA, Open-Course Advisor, OSA для образования;
- планы развития опенсорс-образования на Физтехе и за его пределами — и что нужно проекту от научного сообщества и индустриальных партнеров.

Участие свободное, офлайн и онлайн.

Дата: среда 16 сентября
Время: 15:30 - 18:30
Место: МФТИ, поточная ауд. Арктики
Трансляция: доступна по ссылке

До встречи на семинаре!

HairFastGAN

В репозитории опубликован код HairFastGAN — метода для быстрого и реалистичного переноса причёски между фотографиями лица. Авторы работают с задачей виртуальной примерки волос, где нужно перенести форму, структуру и цвет причёски с референсов на исходное изображение, сохранив лицо, позу и фон. Ранние методы на оптимизации обычно дают хорошее качество, но работают слишком медленно для интерактивного сценария. Более быстрые энкодерные подходы часто теряют реализм, хуже сохраняют идентичность и особенно страдают, когда позы на исходной фотографии и референсе сильно отличаются. HairFastGAN решает эту задачу через полностью энкодерныый пайплайн без долгой оптимизации на этапе инференса. В экспериментах на CelebA-HQ метод сравнивается с HairCLIP, HairCLIPv2, CtrlHair, StyleYourHair и Barbershop. HairFastGAN показывает лучшие значения FID, FIDCLIP, LPIPS и PSNR в ключевых сценариях переноса, при этом работает менее чем за секунду на Nvidia V100. По сравнению с Barbershop ускорение достигает сотен раз, а качество остаётся на уровне или выше оптимизационных методов. Работа будет полезна исследователям генеративного редактирования изображений и разработчикам вирутальных примерочных.

статья | код

GSOFT

В репозитории опубликован код GSOFT — метода экономного файнтюнинга нейросетей через структурированные ортогональные матрицы. Авторы работают с ограничением существующих подходов вроде OFT и BOFT. Ортогональные преобразования помогают аккуратно адаптировать веса предобученной модели, но простая блочно-диагональная структура OFT слишком ограничивает взаимодействие признаков, а butterfly-параметризация BOFT требует произведения нескольких матриц и даёт лишние вычислительные накладные расходы. GSOFT строится на новом классе Group-and-Shuffle матриц. Такая матрица сначала применяет независимые линейные преобразования внутри небольших групп, затем перемешивает признаки между группами и снова применяет групповые преобразования. За счёт этого можно получать плотные ортогональные матрицы с меньшим числом множителей и обучаемых параметров. На GLUE с RoBERTa-base GSOFT превосходит OFT и BOFT и немного обходит LoRA по среднему результату при сопоставимом числе параметров. Работа будет полезна исследователям parameter-efficient fine-tuning, генеративных моделей, ортогональных параметризаций и архитектур, где важно уменьшать число обучаемых параметров без заметной потери выразительности.

статья | код

manga-colorization

В репозитории опубликован код manga-colorization — метода для полуавтоматической раскраски манги с помощью условных состязательных сетей. Система получает чёрно-белую страницу манги и редкие цветовые подсказки от пользователя, после чего строит цветную версию изображения. Подсказки позволяют отдельно править раскраску каждой панели, поэтому метод остаётся не просто автоматическим фильтром, а инструментом для управляемой работы с изображением. Для обучения авторы собирают набор вручную раскрашенных и чёрно-белых изображений манги. В работе также показано, что результат можно улучшить дообучением на небольшом числе чёрно-белых страниц нового стиля. Код будет полезен исследователям компьютерного зрения, генеративных моделей и интерактивной обработки изображений.

статья | код

Горячий анонс "для своих" 🚀

15–16 августа в пространстве Сбер.Среда в баре "Оригинал" пройдут выходные, которые зарядят энергией надолго — Сбер.Среда Weekend: IT фестиваль для российского технологического комьюнити.

⚡️ Выступят спикеры из Сбера, Т-Банка, ВШЭ и др.

В программе будет представлен доклад «Что корпоративному open source стоит знать о научном коде?» от Михаила Гущина, ведущего научного сотрудника НИУ ВШЭ

А вообще вас ждут три уникальные зоны:
🔥 human.env — честные, смешные и местами беспощадные стендапы и рассказы про работу.
🔥 growth.env — воркшопы и дискуссии от IT‑сообществ Сбера. С тебя — вопрос, с команды — ответ.
🔥 party.env — DIY, танцы и большая финальная вечеринка. За музыку отвечают хедлайнеры фестиваля: ЛАУД, тима ищет свет и DJ SALAMÉ — артисты, которые задают звучание современной электронной сцены и превратят вечер в настоящий open air.

💻 Регистрация по этой ссылке

Обращаем внимание – количество очных мест ограничено, поэтому торопитесь зарегистрироваться.

c-pic

В репозитории опубликован код C-PIC — метода для обучения низкоранговых представлений визуальных данных с помощью дифференцируемых кросс-аппроксимаций. Авторы рассматривают задачу работы с очень большими многомерными тензорами, где обычные CNN быстро упираются в память, особенно на 3D-данных вроде томографии, MRI и других объёмных сканов. Ключевая идея работы состоит в том, чтобы не обрабатывать весь входной тензор целиком, а смотреть только на небольшую часть его значений и при этом всё равно строить полезное компактное представление для последующего предсказания В экспериментах на двух задачах медицинского анализа C-PIC показывает качество на уровне SoTA методов, а при этом способен работать на существенно более высоком разрешении. Авторы отдельно отмечают, что с теми же гиперпараметрами их подход справляется с удвоенным разрешением, где другие сильные методы уже не проходят из-за ограничений по памяти. Работа будет полезна исследователям компьютерного зрения и медицинских изображений.

статья | код

cosmos

В репозитории опубликован код COSMOS — метод диффузионной генерации текста в сжатом и гладком латентном пространстве, представленный на конференции NeurIPS в 2025 году. Авторы переносят идею latent diffusion из генерации изображений в текст, где прямое моделирование токенов остаётся дорогим из-за высокой размерности и длины последовательностей. COSMOS сначала кодирует текст замороженным BERT, затем сжимает полученные представления через лёгкий compressor и обучает diffusion model уже в этом компактном пространстве. Важная часть работы не только в самом сжатии, а в том, как это пространство делается пригодным для диффузии. Автоэнкодер обучается одновременно на восстановление токенов, приближение к исходным BERT-представлениям, устойчивость к шуму, маскированию активаций и частичному занулению признаков внутри latent vectors. Такая схема делает пространство более гладким и уменьшает разрыв между тем, какие представления модель видит при обучении, и тем, какие появляются во время генерации. В экспериментах авторы показывают, что текст можно сжимать до 8 раз без заметной потери качества относительно token-level diffusion, а при умеренном сжатии COSMOS превосходит ряд diffusion-based и autoregressive baselines. Метод проверяется на ROCStories, XSum, ParaDetox и SQuAD2.0, а также на OpenWebText для более длинной генерации. На ROCStories версия COSMOS с большим числом latent vectors достигает MAUVE 0.940 при 0.953 у исходных текстов и заметно обходит GPT-2 по этой метрике. Для длинных последовательностей подход даёт особенно сильный выигрыш по скорости, так как диффузия работает с фиксированным числом шагов и не генерирует текст строго токен за токеном. Работа будет полезна исследователям генерации текста, text diffusion, latent diffusion и всем, кто изучает альтернативы авторегрессионным языковым моделям для быстрой и управляемой генерации.

статья | код

smoothie

В репозитории опубликован код Smoothie — метода диффузионной генерации текста, который учитывает и дискретную природу языка, и смысловую близость между токенами. Авторы работают с одной из главных проблем текстовых диффузионных моделей, где обычная гауссовская диффузия в пространстве представлений хорошо сохраняет семантическую геометрию, но потом требует отдельного перехода обратно к токенам, а методы в пространстве словарного симплекса проще декодируются, но почти не используют сходство между словами. Smoothie предлагает промежуточную постановку. Каждый токен описывается не самим embedding, а вектором расстояний от него до всех токенов словаря. В экспериментах Smoothie проверяется на безусловной генерации на ROCStories и на четырёх задачах преобразования текста: QQP, Quasar-T, XSum и ParaDetox. Модель сравнивается с DiffuSeq, SeqDiffuSeq, SSD-LM, TESS, TEncDM, MDLM и авторегрессионными базовыми моделями. Smoothie показывает лучшие результаты среди диффузионных методов на нескольких задачах, включая MAUVE на ROCStories, BLEU на Quasar-T и J-Score на ParaDetox. Отдельно авторы показывают, что предложенное пространство расстояний работает лучше, чем стандартное embedding space и simplex space при одинаковой архитектуре и схожей процедуре обучения. Работа будет полезна исследователям генерации текста, диффузионных языковых моделей и дискретных данных, где между категориями есть содержательная близость, например в графах или белковых последовательностях.

статья | код

📢 Напоминаем: прием заявок на конкурс open source-проектов ФКН НИУ ВШЭ продолжается до 31 июля!

Если вы уже готовите репозиторий к подаче (или только собираетесь его опубликовать), рекомендуем обратить внимание на OSA (Open-Source Advisor) — инструмент, который поможет быстро привести проект в порядок.

С помощью OSA можно:
➕ подготовить или улучшить README;
➕ проверить качество кода и документации;
➕ добавить docstring'и;
➕ настроить CI/CD и GitHub Actions;
➕ автоматизировать другие рутинные задачи по сопровождению open source-проекта.

Хорошо оформленный репозиторий — это не только плюс для конкурса, но и возможность сделать ваш проект понятным и полезным для других разработчиков.

На конкурс принимаются:
✅ Результаты курсовых работ (КР).
✅ Выпускные квалификационные работы (ВКР).
✅ Любые другие инициативные разработки.

📆 Прием заявок до 31 июля 2026
⭐️ Награждение победителей пройдет 01 октября 2026

Желаем удачи всем участникам и ждем ваши проекты! 🚀

Подписывайтесь на канал: @hse_cs_opensource

LAMBO

В репозитории опубликован код LAMBO — метода аугментации разметки для задач с ключевыми точками и контурами объектов. Авторы работают с ситуацией, где изображений много, а точной разметки мало или она не сопоставлена с изображениями напрямую. Такая постановка часто встречается в медицине, биометрии и других областях, где аннотация требует экспертизы. Вместо обычных геометрических преобразований LAMBO генерирует новые разметки через барицентры Вассерштайна между близкими примерами на многообразии исходных аннотаций. Для этого строится граф ближайших соседей по расстоянию Вассерштайна, в нём находятся локальные клики, а новые точки получаются как случайные барицентры внутри этих локальных областей. Такой подход сохраняет естественную геометрию данных и не уводит разметку далеко от исходного распределения. В работе метод применён к обнаружению ключевых точек лица на 300-W, поз человека на Human3.6M и сегментационным контурам на Cardio MRI. Сгенерированные разметки используются при обучении Cyclic GAN, который сопоставляет изображения и ключевые точки в unpaired и semi-supervised сценариях. В экспериментах LAMBO снижает переобучение и превосходит обычные геометрические преобразования, GMM, GAN, VAE и Нормализующие потоки. Особенно заметный выигрыш появляется при малом числе аннотаций, например на подвыборках из 100, 300 и 600 размеченных изображений. Работа будет полезна исследователям компьютерного зрения, медицинской сегментации и задач с дорогостоящей разметкой, где нужно расширять набор аннотаций без ручного контроля каждой новой формы.

статья | код

MaterialFusion

В репозитории опубликован код MaterialFusion — метода для переноса материала на объект в изображении без построения 3D-модели. Авторы решают задачу, где нужно взять материал с изображения-примера, например металл, дерево, стекло или ткань, и реалистично применить его к выбранному объекту, сохранив форму, детали поверхности и фон исходной сцены. Такой инструмент полезен для виртуального прототипирования, визуализации товаров, дополненной реальности и создания цифрового контента. MaterialFusion объединяет возможности IP-Adapter и Guide-and-Rescale внутри диффузионной модели. IP-Adapter извлекает признаки материала из изображения-примера, а Guide-and-Rescale помогает сохранить геометрию и исходные особенности объекта. Для оценки метода авторы собрали собственный набор реальных изображений: 25 фотографий объектов и 15 изображений материалов. MaterialFusion сравнивается с ZeST, Guide-and-Rescale и IP-Adapter с маской. В количественных метриках, визуальных сравнениях и пользовательском исследовании метод показывает более реалистичное встраивание материала, лучше сохраняет структуру объекта и аккуратнее работает с фоном и границами. Работа будет полезна исследователям генеративных моделей и редактирования изображений, а также разработчикам инструментов для дизайна, AR/VR, e-commerce и визуализации продуктов.

статья | код

Митап Open Source: «День открытого кода» 30 июня

Открытый код стал частью технологического фундамента современной разработки: 89% российских компаний использует его в своей ИТ-инфраструктуре. 

Вместе с ростом популярности пришли и вызовы: как управлять открытым кодом в корпоративной среде и строить устойчивый бизнес? 

На платформе Мос.Хаб уже размещено больше 32 тысяч проектов с открытым кодом. Город последовательно развивает экосистему, где разработчики могут пользоваться готовыми решениями, а также влиять на их прогресс. 

В МосХаб.Сколково соберутся разработчики, продуктовые и ИТ-команды, стартапы и профильные медиа, чтобы обсудить последние тренды отрасли в России, завести полезные знакомства и наметить совместные проекты. 

На митапе участники узнают, как столица видит развитие опенсорс, какие результаты уже есть и почему открытый код стал важной частью городской цифровой стратегии.

В программе — пленарная сессия с лидерами рынка, живое обсуждение, вопросы из зала и свободное время для нетворкинга.

Посетителей ждёт интерактив: при регистрации каждый участник получит карточку с кодом, в котором спрятана ошибка. Если сможете найти и исправить ошибку, то получите брендированный стикерпак.

Регистрация и подробности — по ссылке. Количество мест ограничено!

Подписывайтесь: Telegram | МАКС | ВКонтакте

Открытый код ФКН ВШЭ pinned a photo

Does-It-Look-Sequential

В репозитории опубликован код Does-It-Look-Sequential — исследования о том, насколько популярные наборы данных действительно подходят для оценки последовательных рекомендаций. Авторы разбирают частую проблему в этой области, где модели вроде SASRec и GRU4Rec предполагают, что порядок действий пользователя несет полезный сигнал, но сами наборы данных не всегда содержат сильные последовательные зависимости. Для проверки авторы используют простую идею со случайным перемешиванием пользовательских историй. Если после перемешивания качество модели почти не меняется, значит модель в основном опиралась не на порядок действий, а на другие свойства данных. В работе предложены три способа такой проверки. Первый считает короткие последовательные правила до и после перемешивания. Два других смотрят на падение HitRate@10 и NDCG@10, а также на изменение списка рекомендаций через Jaccard@10. Эксперименты проведены на 19 наборах данных, включая Beauty, Diginetica, RetailRocket, Yoochoose, Steam, ML-20m, 30Music, Yambda-50M, Gowalla, Yelp и другие часто используемые бенчмарки. Авторы показывают, что Diginetica, Foursquare, Gowalla, RetailRocket, Steam и Yelp имеют сравнительно слабую последовательную структуру. Отдельно анализируется влияние предобработки, фильтрации редких пользователей и объектов, удаления уже просмотренных объектов из рекомендаций и выбора гиперпараметров. Оказывается, такие технические детали могут заметно менять выводы о том, есть ли в данных полезный порядок. В конце авторы разделяют наборы данных по типам зависимостей: где история работает почти как набор объектов без порядка, где важны только недавние действия, где достаточно одного-двух последних объектов, и где есть более сложная структура порядка. Работа будет полезна исследователям рекомендательных систем и ML-инженерам.

статья | код

Продолжаем прием заявок на второй конкурс проектов с открытым кодом для студентов ФКН НИУ ВШЭ 2026! 🎉

Заполните заявку на сайте конкурса и прикрепите ссылку на репозиторий вашего проекта (GitHub/GitLab/GitVerse) до 31 июля.

Прокачивайте навыки разработки, публикуйте свои проекты с открытым кодом и получайте призы.

Кто может участвовать:
⚪️ Все аспиранты и студенты ФКН.
⚪️ Индивидуальные авторы и команды.

Принимаются проекты любых форматов:
✅ Результаты курсовых работ (КР).
✅ Выпускные квалификационные работы (ВКР).
✅ Любые другие инициативные разработки.

Что получают участники:
➕ Опыт работы над open-source проектами.
➕ Интеграцию в мировое сообщество разработчиков.
➕ Призы и награды для победителей.

❓ Вопросы по конкурсу можно писать нам в чат.

📆 Прием заявок до 31 июля 2026
⭐️ Награждение победителей пройдет 01 октября 2026

Подписывайтесь на канал: @hse_cs_opensource

Приглашаем принять участие в конкурсе для разработчиков «Код логики»

Стартовал первый этап конкурса Open-Source-проектов для разработчиков свободного ПО «Код логики». Конкурс проводится при финансовой поддержке «Базальт СПО» и частных лиц.

Организатор конкурса — АНО «Институт логики, когнитологии и развития личности».

На протяжении 35 лет институт поддерживает разработчиков свободного ПО и образовательные технологии.

Миссия АНО «Институт логики» — помогать исследователям, специалистам и учебным учреждениям реализовывать проекты, влияющие на развитие технологий.

Кто может участвовать?

Физические лица — разработчики свободного ПО, обладающие гражданской дееспособностью лица старше 18 лет, налоговые резиденты.

Что нужно сделать?

Представить значимый вклад в существующий Open-Source-проект, опубликованный в публичном репозитории под свободной лицензией.

Вклад может быть сделан в свой или сторонний проект.

Призовой фонд

Денежные премии.
Всего 3 призовых места, максимальное количество победителей — до 6 человек. Победитель получит 1 000 000 рублей.

Заявки принимаются до 15 августа 2026 года (включительно) на сайте института.

Награждение победителей состоится 2–4 октября на XXII ежегодной конференции разработчиков свободных программ.

Подробности об условиях конкурса можно посмотреть на сайте: logic.ru.

«Базальт СПО» в МАХ | ВКонтакте