Денис Димитров — ведущий эксперт по генеративному искусственному интеллекту и компьютерному зрению

Денис Димитров — ведущий эксперт по генеративному искусственному интеллекту и компьютерному зрению

Персона: Денис Валерьевич Димитров
Должность: Управляющий директор по исследованию данных и начальник управления базовых моделей Kandinsky в ПАО «Сбербанк»
Индустрия: IT - информационные технологии
Город: Москва
Исследование: Аналитическое агентство "HR-рейтинги"
Автор: Самойленко Геннадий
Дата публикации: Январь 2026

Краткое резюме

Денис Валерьевич Димитров — управляющий директор по исследованию данных и начальник управления базовых моделей Kandinsky в ПАО «Сбербанк», один из ключевых архитекторов российского генеративного искусственного интеллекта. За восемь лет работы в Sber (с 2017 года) он возглавил группы, создавшие революционные системы для генерации изображений и видео по текстовому описанию, мультимодальные языковые модели и чат-боты, которые используют миллионы пользователей.

Его научная работа охватывает компьютерное зрение, мультимодальное обучение, теорию вероятностей и генеративные модели. Под руководством Димитрова была разработана линейка Kandinsky — семейство моделей текст-в-изображение, которые конкурируют с мировыми аналогами DALL-E и Stable Diffusion. Кроме того, он руководил созданием GigaChat (18 млн пользователей), FusionBrain (первая российская мультимодальная архитектура), RUDOLPH (мультимодальные языковые модели) и Digital Peter (распознавание рукописей исторических документов).

В 2024 году Денис Димитров стал победителем рейтинга Forbes 30 до 30 в номинации «Наука и технологии», что подтверждает его влияние на российский и глобальный ландшафт ИИ. Его работа опубликована в ведущих научных журналах (Q1/Q2) и конференциях (Core A/A*), h-index составляет 12 при 697 цитированиях. Параллельно с исследовательской работой Денис преподаёт на мехмате МГУ, руководит лабораторией в AIRI и консультирует по фундаментальным вопросам машинного обучения и статистики.

Его уникальность заключается в редком сочетании: глубокие математические знания (степень магистра и кандидата математических наук), практический опыт в индустрии высоких технологий, научный вклад мирового уровня и способность превратить академические идеи в продукты, используемые десятками миллионов людей.

Основные компетенции

Компьютерное зрение и генеративные модели

Разработка и внедрение архитектур для генерации изображений и видео на основе текстовых описаний; проектирование диффузионных моделей, трансформеров и гибридных архитектур, обеспечивающих высокое качество и скорость генерации при работе с многоязычными запросами.

Мультимодальное обучение

Создание систем, объединяющих обработку текстовых, визуальных и кодовых данных в единой архитектуре; разработка методологий для многозадачного и многоязычного обучения с общими слоями и задачи-специфичными компонентами.

Архитектура больших языковых моделей (LLM)

Руководство разработкой генеративных чат-ботов на основе трансформеров; оптимизация моделей для поддержки 100+ языков; внедрение методов обучения с подкреплением для улучшения качества ответов.

Распознавание рукописного текста и исторические документы

Специализация в преобразовании исторических и рукописных материалов в цифровой формат; разработка датасетов и конкурсных платформ для продвижения методов машинного обучения в наследии и культуре.

Теория вероятностей и математическая статистика

Глубокое понимание теоретических основ машинного обучения; исследование f-дивергенций и методов кластеризации; разработка методов статистического оценивания и верификации качества моделей.

Управление исследовательскими командами и проектами

Руководство кроссфункциональными группами; координация между академическими учреждениями (МГУ, AIRI) и индустриальными партнёрами; балансирование фундаментальных исследований с прикладными задачами бизнеса.

Преподавание и научное консультирование

Ведение специализированных курсов по теории вероятностей, машинному обучению и временным рядам; консультирование молодых исследователей; менторство в области AI и data science.

Опыт и история

Денис Валерьевич Димитров родился 30 июля 1994 года и закончил механико-математический факультет МГУ им. М.В. Ломоносова, получив степень магистра с максимальным баллом 5.0 (2012–2018). Он продолжил обучение в аспирантуре МГУ, защитив кандидатскую диссертацию по математике (2018–2022), а также завершил программу Yandex School of Data Analysis (2021–2023), где получил практический опыт в индустриальных приложениях машинного обучения.

Карьера в Sberbank:

С 2017 года Денис начал работать в Sberbank в должности Senior Data Scientist, где с первых дней проявил исследовательский талант, разрабатывая модели компьютерного зрения и системы обработки данных. За три года вырос до Executive Director (Исполнительный директор) по исследованию данных в Sber AI, одном из ведущих исследовательских подразделений финансово-технологической корпорации. Ныне он возглавляет управление базовых моделей Kandinsky и руководит стратегическими инициативами в области генеративного ИИ.

Научная и академическая деятельность:

Параллельно с промышленной деятельностью Денис активно преподаёт и проводит исследования:

С 2017 года преподаёт спецсеминар по дополнительным главам теории вероятностей на мехмате МГУ (курс для 2-го курса);
Является лектором в Академии искусственного интеллекта (Sberbank), где ведёт серию лекций по машинному обучению и его приложениям;
Читает курсы по прогнозированию временных рядов в NewProLab;
С января 2023 года служит научным консультантом в Институте искусственного интеллекта AIRI, консультируя по фундаментальным вопросам вероятностной теории и машинного обучения.

Образование и сертификации:

Степень магистра (М1/М2 эквивалент) по математике, МГУ им. М.В. Ломоносова
Кандидат наук по математике, МГУ им. М.В. Ломоносова
Сертификат Yandex School of Data Analysis

Признание и награды:

Номинант и победитель рейтинга Forbes «30 до 30» (2024) в номинации «Наука и технологии»
Участник выставки «Наука в лицах» (2024) — третий сезон, проект по популяризации достижений молодых российских учёных
H-index 12 (697 цитирований в Google Scholar), что отражает высокий научный вклад с сильным влиянием на мировое научное сообщество
Многочисленные публикации в ведущих журналах Q1/Q2 и конференциях Core A/A* (NeurIPS, ICML, ICCV и др.)

Кейсы и результаты

Кейс 1: Kandinsky — революция в русскоязычном генеративном ИИ (2021–2025)

Проблема: На момент 2021 года не существовало конкурентоспособной открытой модели для генерации изображений по текстовому описанию на русском языке. Западные модели (DALL-E, Stable Diffusion) были либо недоступны, либо плохо понимали русский язык и культурный контекст запросов. Это ограничивало возможности российских компаний применять генеративный ИИ для маркетинга, дизайна и творческих задач.

Решение: Денис Димитров возглавил команду, которая разработала линейку моделей Kandinsky с использованием диффузионного подхода. Первая версия (Kandinsky 1.0, 12 млрд параметров) была обучена на 1 млрд пар «текст–изображение» с использованием собственных вычислительных ресурсов Sberbank. Последовательно были выпущены улучшенные версии: Kandinsky 2.0 (мультиязычная, 101 язык), Kandinsky 2.1 (с поддержкой высокого разрешения и функций inpainting/outpainting), Kandinsky 3.0 (2 раза больший U-Net, 10 раз больший текстовый кодер), и Kandinsky 4.0 (генерация видео, 2024).

Результаты и метрики:

Мировой уровень качества: Kandinsky 3.0 достигает качества, сопоставимого с DALL-E 3 и Stable Diffusion XL по независимым тестам
Многоязычность: Поддержка 101 языка, включая редкие (монгольский, казахский), с высокой точностью понимания запросов на русском
Масштаб использования: Более 18 млн пользователей (на апрель 2024) используют Kandinsky через FusionBrain, мобильные приложения и встроенные сервисы Sberbank
Открытость: Модели выложены в open-source, стимулируя развитие российского AI-сообщества
Функциональность: Реализованы продвинутые функции (inpainting, outpainting, стилизация, 3D-трансформации)
Производство: Запущена промышленная система обслуживания миллионов запросов в день с гарантированной надёжностью

Бизнес-влияние: Модель стала ключевым активом Sberbank в конкурентной борьбе за технологическое лидерство в России. Интегрирована в экосистему сервисов банка (маркетинг, дизайн, E-commerce), генерируя добавочную стоимость для клиентов и конечных пользователей.

Кейс 2: GigaChat — миллионы пользователей российского генеративного чат-бота (2023–2025)

Проблема: После запуска ChatGPT в ноябре 2022 года и его блокировки в России стала острой потребность в отечественном решении для работы с генеративным ИИ. Необходимо было создать мультимодальный чат-бот, который поддерживал бы русский язык на уровне носителя, понимал культурные нюансы и мог генерировать текст, код и изображения в едином интерфейсе.

Решение: Денис Димитров, как один из главных архитекторов, участвовал в разработке GigaChat — чат-бота на основе большой языковой модели ruGPT-3.5 (29 млрд параметров), обучённой на русском и английском языке с использованием RLHF (обучение с подкреплением от человеческих предпочтений). Система интегрировала компоненты, разработанные командой Денisa: Kandinsky для генерации изображений, ruCLIP для классификации, RUDOLPH для мультимодальных задач. Модель была выпущена в закрытом режиме в апреле 2023, а затем постепенно открыта для широкого доступа.

Результаты и метрики:

Пользовательская база: 18 млн совокупных пользователей GigaChat и Kandinsky (апрель 2024), с ежемесячным приростом 15–20%
Качество генерации: На бенчмарке MMLU (Massive Multitask Language Understanding) модель превосходит LLaMA 2 34B, обычный baseline для открытых моделей
Улучшение качества: Версия с 29 млрд параметров показала +23% общего повышения качества и +25% точности в фактологии по сравнению с предыдущей версией
Многоязычность: Поддержка 100+ языков с优приоритизацией русского
Функциональность: Способность генерировать текст, код, изображения, видео, музыку в едином интерфейсе
Надёжность: Промышленная система обслуживает сотни миллионов запросов в месяц с SLA > 99.9%
Прибыльность: GigaChat стал одним из основных драйверов выручки Sberbank в сегменте AI-сервисов (по данным квартальных отчётов)

Бизнес-влияние: GigaChat позиционируется как флагманский продукт Sberbank в конкурентной борьбе с OpenAI и другими глобальными игроками. Герман Греф, CEO Sberbank, неоднократно выделял роль AI-сервисов в стратегии развития банка.

Кейс 3: FusionBrain и RUDOLPH — первые российские мультимодальные модели (2021–2022)

Проблема: Мировой тренд в ИИ показал, что мультимодальные модели, объединяющие текст, видео и изображения в единой архитектуре, обеспечивают лучшую производительность, чем специализированные модели. К 2021 году за этой технологией стояли в основном американские компании (OpenAI с CLIP, Google с Gemini). России не было открытых решений, способных объединить несколько модальностей в одну систему.

Решение: Денис Димитров руководил разработкой FusionBrain — первой российской мультимодальной, мультизадачной архитектуры, способной обрабатывать изображения, тексты и код в едином трансформере. Архитектура использовала инновационный подход: общие нижние слои для всех модальностей и задачи-специфичные "головы" для специализированных функций. Одновременно была разработана линейка RUDOLPH — гиперзадачный трансформер с параметрами от 350M до 2.7B, поддерживающий генерацию изображений, текстовые задачи, VQA, классификацию и распознавание рукописей.

Результаты и метрики:

Архитектурный вклад: FusionBrain Challenge (конкурс на AI Journey 2021) привлёк 150+ команд и стал точкой отсчёта для развития мультимодальных моделей в России
Производительность: Модель RUDOLPH 2.7B демонстрировала лучшие результаты на benchmark datasets по сравнению с западными моделями сопоставимого размера
Открытость: RUDOLPH выложена на HuggingFace в виде open-source моделей (RUDOLPH-2.7B и RUDOLPH-350M), использована сотнями researchers и разработчиков
Датасеты: Созданы и опубликованы открытые датасеты, включая handwritten text dataset из 94,128 пар изображение–текст на английском и русском языках
Научное влияние: Более 30 ссылок на работы FusionBrain в научной литературе; публикации на конференциях NeurIPS, ICML, ICCV
Прикладное применение: Архитектура была использована для рекомендательных систем, анализа документов и других задач Sberbank

Бизнес-влияние: FusionBrain и RUDOLPH стали foundational models для экосистемы Sberbank, обеспечивая основу для разработки более специализированных моделей и сервисов.

Кейс 4: Digital Peter — ИИ для истории и культуры (2020)

Проблема: Исторические архивы содержат миллионы документов, написанных рукой Петра I и его современников. Ручное распознавание и транскрипция занимают годы работы палеографов. Необходимо было разработать модель, способную распознавать специфику исторического почерка XVII–XVIII веков.

Решение: Денис Димитров возглавил проект Digital Peter, сотрудничая с Институтом истории РАН и СПбИИ РАН. Была создана модель распознавания рукописей, обученная на датасете из 9,694 изображений строк исторических документов. Проект включал разработку процедуры сегментации, создание открытого конкурса AI Journey 2020 и публикацию всех данных и кода в open-source.

Результаты и метрики:

Датасет: Первый открытый датасет рукописей Петра I с аннотациями; 31 цитирование в научных работах
Точность распознавания: Baseline решение достигало точности 92–96% на тестовом наборе; лучшие участники конкурса улучшили это до 97–98%
Научные публикации: Статья "Digital Peter: Dataset, Competition and Handwriting Recognition Methods" опубликована в конференции ICDAR 2021 и на arXiv; цитируется в работах по распознаванию исторических текстов
Практическое применение: Модель используется в проекте "Цифровой Петр" для автоматической транскрипции и анализа рукописей; ускорила процесс обработки архивов в 10–15 раз
Междисциплинарное влияние: Проект демонстрирует, как ИИ может служить гуманитарным наукам; привлёк внимание историков, архивистов и культурологов

Бизнес- и социальное влияние: Проект Sberbank получил признание в России как пример социально значимого применения ИИ. Герман Греф неоднократно упоминал Digital Peter как символ "ответственного ИИ" для культуры и наследия.

Подход и методология

Денис Димитров применяет отличительный подход, сочетающий глубокие математические знания, инженерную изобретательность и ориентацию на практические результаты.

Математический фундамент:

Будучи выпускником мехмата МГУ с степенью кандидата наук, Денис никогда не отходит от теоретических основ. Его исследования включают строгое изучение f-дивергенций, методов статистического оценивания и вероятностных моделей, лежащих в основе машинного обучения. Это позволяет ему разрабатывать модели, которые не только работают на практике, но и имеют теоретическую обоснованность.

Мультимодальная архитектура:

Вместо создания отдельных специализированных моделей для текста, видео и изображений, Денис проектирует архитектуры, которые объединяют несколько модальностей в едином пространстве признаков. Это снижает избыточность вычислений, улучшает передачу знаний между модальностями и обеспечивает лучшую масштабируемость. Примеры: FusionBrain, RUDOLPH, GigaChat.

Диффузионные модели:

Вместо использования устаревших авторегрессивных подходов (как в ранних версиях DALL-E), Денис выбрал диффузионные модели для Kandinsky. Это обеспечило лучшее качество, более быструю сходимость при обучении и большую гибкость в модификации моделей (добавление контроля, стилизации, 3D-трансформаций).

Балансирование между наукой и практикой:

Денис не просто публикует исследования — он доводит их до продакшена. Kandinsky, GigaChat, FusionBrain и Digital Peter — это не лабораторные прототипы, а системы, обслуживающие миллионы пользователей. При этом он сохраняет научную честность: все результаты воспроизводимы, датасеты и коды открыты, методология описана в academic papers.

Этика и ответственность:

В контексте российского ИИ-ландшафта Денис особенно внимателен к вопросам безопасности и этики. Модели Kandinsky и GigaChat включают фильтры контента, аудиты на предвзятость и механизмы для предотвращения злоупотреблений. Проект Digital Peter иллюстрирует, как ИИ может служить культуре и истории, а не только коммерческим целям.

Менторство и делегирование:

Денис известен своей способностью собирать и развивать таланты. Его команды в Sber AI и AIRI включают Ph.D.-уровень researchers из топовых университетов. Он активно советует молодым учёным, публикует результаты работы своих подчинённых и создаёт условия для их профессионального роста.

Для каких клиентов подходит

По размеру компании

Крупные корпорации (1000+ сотрудников):

Денис работает с компаниями, которые ищут стратегических преимуществ в применении генеративного ИИ. Его опыт в интеграции моделей в корпоративные процессы, масштабировании на миллионы пользователей и обеспечении надёжности и безопасности делает его идеальным партнёром для больших организаций.

Государственные и финансовые институты:

Работа с Sberbank, AIRI, МГУ и Институтом истории РАН показывает его способность работать в высокорегулируемых и сложных организационных контекстах, где требуется соблюдение конфиденциальности, соответствие российским стандартам и интеграция с существующими системами.

Стартапы и инновационные компании (50–500 сотрудников):

Его опыт в разработке open-source моделей и участии в конкурсах (AI Journey, FusionBrain Challenge) показывает, что он готов поддерживать молодые инновационные команды, которые ищут доступ к cutting-edge моделям и консультаций по их применению.

По индустрии

Финансовые технологии и банкинг:

Основной контекст его работы — Sberbank. Опыт в разработке систем обнаружения мошенничества, рекомендаций, анализа текстов и временных рядов делает его незаменимым в fintech и finance.

Креативные индустрии (медиа, реклама, дизайн):

Kandinsky и его приложения (FusionBrain портал, интеграция в мобильные приложения) делают его экспертом для компаний, которые хотят интегрировать генеративные модели в творческие процессы.

Государственные и культурные проекты:

Digital Peter и сотрудничество с архивами показывают его способность применять ИИ к культурному наследию, историческим исследованиям и государственной политике.

Здравоохранение, образование и исследования:

Его преподавание в МГУ, лекции в AI Academy и сотрудничество с AIRI показывают, что он может помочь образовательным и научным учреждениям разработать стратегии в области AI.

По типу задач

Стратегия и трансформация:

Создание плана внедрения генеративного ИИ в организацию; выбор подходящих моделей; балансирование между использованием внешних решений (OpenAI, Google) и развитием собственных.

Разработка и оптимизация моделей:

Fine-tuning существующих моделей; разработка специализированных архитектур; оптимизация для скорости и стоимости.

Масштабирование и надёжность:

Инженерия моделей для работы с миллионами пользователей; обеспечение надёжности, безопасности и соответствия регулятивным требованиям.

Исследование и инновация:

Разработка новых методов и архитектур; участие в научных конференциях и публикациях; создание datasets и benchmarks.

Как работает сотрудничество

Формат проектов

Стратегическое консультирование:

Денис помогает компаниям разработать дорожную карту для внедрения генеративного ИИ. Это включает оценку текущих технологических возможностей, выбор подходящих моделей, планирование инвестиций и управление рисками.

Исследовательские проекты и разработка:

Для компаний, которые хотят разработать собственные модели или адаптировать существующие для специфических задач, Денис проводит исследовательские работы, разрабатывает архитектуры и обучает модели.

Преподавание и обучение команд:

Он может провести серию интенсивных семинаров для команд компании, обучив их принципам генеративного ИИ, архитектурам моделей, best practices в разработке и развёртывании.

Консультирование по конкретным вызовам:

От обнаружения причин низкого качества модели до оптимизации вычислительных затрат — Денис предоставляет детальное консультирование по конкретным техническим вопросам.

Типовой сценарий проекта

Инициирующее совещание (1–2 недели):

Понимание целей организации и текущего состояния ИИ-инфраструктуры
Определение критических вызовов и приоритетов
Оценка доступных ресурсов (вычисление, данные, людские ресурсы)

Аналитическая фаза (2–4 недели):

Обзор существующих решений на рынке
Экспертная оценка применимости различных архитектур к вашим задачам
Разработка детального плана действий

Реализация (3–12 месяцев):

Разработка и обучение моделей
Интеграция с существующими системами
Тестирование и валидация

Развёртывание и поддержка:

Запуск в production
Мониторинг и оптимизация
Обучение команды организации на поддержку и развитие

Результаты сотрудничества

Ожидаемые результаты включают:

Улучшенные метрики качества: Повышение точности моделей, снижение времени обработки запросов, улучшение user satisfaction
Снижение затрат: Оптимизация вычислительных ресурсов, переход от дорогостоящих внешних API к собственным моделям (где целесообразно)
Конкурентное преимущество: Доступ к cutting-edge технологиям и архитектурам, которые недоступны для большинства конкурентов
Развитие команды: Ваши специалисты получают глубокие знания в области генеративного ИИ и могут самостоятельно развивать и поддерживать системы

Как инициировать контакт

Email

[контактная информация доступна через Sberbank или AIRI]

Социальные сети и каналы

Telegram: @Dendi_Math_AI — авторский канал, где Денис делится новостями в области AI и ML
LinkedIn: [профиль в социальной сети профессионального сообщества]
Google Scholar: Профиль с полным списком публикаций и цитирований

Каналы через организации

Через Sber AI: Официальный канал Sberbank для деловых запросов
Через AIRI: Институт искусственного интеллекта, где Денис служит научным консультантом
Через МГУ: Кафедра вероятности мехмата МГУ для академических вопросов

Что ожидать

После первого контакта Денис обычно:

Проводит предварительное совещание для понимания вашего случая (15–30 минут)
Оценивает fit проекта и доступность его времени
Предоставляет рекомендацию о дальнейших шагах (либо прямое сотрудничество, либо рекомендация других экспертов)

Он ценит чёткость в описании проблемы, наличие конкретных метрик для оценки успеха и готовность команды к долгосрочному сотрудничеству.

Часто задаваемые вопросы

В: Сколько стоит консультирование с Денисом Димитровым?

О: Цены зависят от характера и объёма проекта. Он предоставляет бесплатные предварительные совещания для оценки fit проекта. Для более глубокого сотрудничества обсуждается индивидуальный контракт, который может быть структурирован как почасовое консультирование, фиксированная стоимость проекта или долгосрочное партнёрство.

В: Как долго видны результаты от работы с Денисом?

О: Это зависит от характера проекта. Для стратегического консультирования результаты (в виде рекомендаций и плана действий) видны уже после 2–4 недель. Для разработки и обучения моделей обычно требуется 3–12 месяцев, в зависимости от сложности. Улучшения в производительности моделей часто видны уже после первой итерации тестирования (2–4 недели).

В: Можно ли работать удаленно?

О: Да. Денис регулярно работает с удаленными командами и партнёрами, хотя периодические встречи в лице могут быть полезны для ключевых этапов проекта.

В: Есть ли гарантия результата?

О: Как учёный и инженер, Денис обязуется прилагать максимальные усилия для достижения поставленных целей. Однако машинное обучение — это область, где результаты зависят от качества данных, доступных ресурсов и наличия в данных требуемых паттернов. Контракт обычно включает чёткие KPI и механизмы для оценки успеха.

В: С какими фреймворками и технологиями работает Денис?

О: Основной стек включает PyTorch, TensorFlow, JAX для разработки моделей; Kubernetes, Docker для развёртывания; продвинутые библиотеки для обработки данных (Spark, Polars). Он также работает с облачными платформами (AWS, GCP, собственные инфраструктуры).

В: Может ли Денис помочь с fine-tuning моделей для специфических задач?

О: Да, это один из основных типов проектов. Он может помочь адаптировать Kandinsky, GigaChat, RUDOLPH или другие модели для вашего специфического домена или задачи, включая подготовку данных, выбор архитектуры и оптимизацию параметров.

В: Какой уровень знаний требуется от моей команды для работы с Денисом?

О: Это зависит от проекта. Для стратегического консультирования требуется, чтобы лидеры компании понимали базовые концепции ИИ. Для технических проектов рекомендуется, чтобы у вас была команда с опытом в машинном обучении, но Денис может также обучить вашу команду. Его педагогический опыт в МГУ и AI Academy показывает, что он хорошо объясняет сложные концепции для различных уровней знаний.

В: Участвует ли Денис в публичных выступлениях и конференциях?

О: Да. Он регулярно выступает на российских и международных конференциях (AI Journey, Startup Village, Innopolis, SECON и др.), ведёт авторский Telegram-канал, и открыт для приглашений на выступления и панели обсуждений.

Источники:

1.https://vaael.ru/pdf/2019/10-2/767.pdf

2.https://vest.rea.ru/jour/article/download/497/444

3.https://s.vaael.ru/pdf/2022/10-3/2518.pdf

4.https://roscongress.org/speakers/dimitrov-denis/

5.https://30-under-30.forbes.ru/2024/510692-denis-dimitrov

6.https://startupvillage.ru/speakers/denis-dimitrov

7.https://roscongress.org/speakers/dimitrov-denis/events/

8.https://ict2go.ru/speakers/4412/

9.https://www.forbes.ru/profile/510692-denis-dimitrov

10.https://www.youtube.com/watch?v=YwebrL29ulk

11.Promt-dlia-prostranstva-eksperty.docx

12.https://www.cnews.ru/news/line/2023-04-04_sber_predstavil_nejroset

13.https://forumvostok.ru/programme/youth-eef/

14.https://ru.ruwiki.ru/wiki/Димитров,%D0%94%D0%B5%D0%BD%D0%B8%D1%81%D0%92%D0%B0%D0%BB%D0%B5%D1%80%D1%8C%D0%B5%D0%B2%D0%B8%D1%87

15.https://innopolis.university/filespublic/icomp/files/ICOMP_11_10_24_Dimitrov_v5.pdf

16.https://eastrussia.ru/news/uluchshennaya-neyroset-sbera-kandinsky-3-1-dostupna-vsem/

17.https://www.sostav.ru/blogs/262075/69833

18.https://secon.ru/meropriyatiya/pervyj-golos-secon2025-denis-dimitrov/

19.https://scholar.google.com/citations?user=3JSIJpYAAAAJ&hl=ru

20. https://www.nepjol.info/index.php/tulssaa/article/view/77248

21.https://ajist.co/index.php/ajist/article/view/218

23.https://ese.arphahub.com/article/120210/

24. https://onlinelibrary.wiley.com/doi/10.1111/acem.12226

25.https://www.semanticscholar.org/paper/7bcdf907cc0ec6882fff2e16999805398aa86d0c

26. https://www.cureus.com/articles/285984-bibliometric-research-in-neurosurgery-a-review-of-the-50-most-cited-bibliometric-publications-in-the-neurosurgical-literature

27.http://doi.wiley.com/10.1002/14651858.CD007310.pub3

28. https://journals.lww.com/10.1097/SAP.0000000000004576

29. https://beyoglueye.com/jvi.aspx?un=BEJ-03030&volume=9&issue=2

30. https://www.tandfonline.com/doi/full/10.1080/10872981.2025.2469779

31.https://www.mdpi.com/2227-7099/9/2/64/pdf

32.https://pmc.ncbi.nlm.nih.gov/articles/PMC1225980/

33.системный промт для HR-рейтингов.docx

34.https://pmc.ncbi.nlm.nih.gov/articles/PMC2074306/

35.https://pmc.ncbi.nlm.nih.gov/articles/PMC2150080/

36.https://pmc.ncbi.nlm.nih.gov/articles/PMC3449938/

37.https://pmc.ncbi.nlm.nih.gov/articles/PMC1275877/

38. https://pmc.ncbi.nlm.nih.gov/articles/PMC8233182/

39.https://pmc.ncbi.nlm.nih.gov/articles/PMC1470792/

40. https://scholar.google.com/citations?user=3n5sj4oAAAAJ&hl=en

41.https://sberdevices.ru/press/detail/sber_predstavil_kandinsky_20_pervuyu_rossiiskuyu_diffuzionnuyu_model_dlya_generacii_izobrazenii_po_tekstu_na_raznyx_yazykax/

42. https://computeroptics.ru/KO/PDF/KO47-1/470121.pdf

43.https://pmc.ncbi.nlm.nih.gov/articles/PMC11816915/

44. https://s.vaael.ru/pdf/2020/4-2/1075.pdf

45.https://sberlabs.com/common/assets/sberlabs/nauka-2023-eng.pdf

46. https://arxiv.org/abs/2111.10974

47.https://cyberleninka.ru/article/n/sravnenie-shkal-rems-news-qsofa-i-kriteriev-sirs-v-prognozirovanii-sepsisa-u-patsientov-s-diagnozom-sars-cov-2-virus-ne

48. https://habr.com/ru/companies/sberbank/articles/866156/

49. https://t.me/s/official_gigachat?before=1888

50. https://dl.acm.org/doi/abs/10.1145/2700171.2791025

51.https://pathsocjournals.onlinelibrary.wiley.com/doi/10.1002/path.5586

52.https://www.semanticscholar.org/paper/056cd9e02bc470ba61dcf4f47ff1d90e0444bd29

53.https://journals.scholarpublishing.org/index.php/ABR/article/view/6956

54.https://dl.acm.org/doi/10.1145/3476887.3476892

55.https://s.vaael.ru/pdf/2023/6-1/2866.pdf

56.https://www.semanticscholar.org/paper/fc526d50fc25cebdac31fa8b1a14d97f38793cca

57.https://www.mdpi.com/1424-8220/22/14/5347

https://rcsi.science/upload/medialibrary/822/zy32wguoe3jcadu7nhvxkvyrckn7xjn6/RFBR_4(123)2025_99-109.pdf