В статье рассматриваются современные тенденции и перспективы роботизации технологических процессов на железнодорожном транспорте. Анализируются ключевые технологии, такие как искусственный интеллект (ИИ), компьютерное зрение и предиктивная аналитика, которые обеспечивают автоматизацию процессов технического обслуживания, диагностики, строительства и обеспечения безопасности. Особое внимание уделено применению робототехнических комплексов в различных сферах железнодорожного транспорта, включая пассажирский сервис и логистику. Рассмотрены ограничения, связанные с внедрением роботов, и предложены пути их преодоления. Статья основана на анализе международного опыта и актуальных данных за 2024-2025 годы.

роботизация, железнодорожный транспорт, искусственный интеллект, компьютерное зрение, предиктивная аналитика, техническое обслуживание, диагностика

1. M. Gooroochurn, «Robotics and Automation in Industry 4.0,» in Advances in Computational Intelligence and Robotics, 2025, doi: 10.1201/9781003511298-4.

2. M. Mohammadi, A. Mosleh, C. Vale, D. Ribeiro, P. A. Montenegro, and A. Meixedo, «Smart railways: AI-based track-side monitoring for wheel flat identification,» Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 2025, doi: 10.1177/09544097251313570.

3. ARGO 2.0 [Электронный ресурс]. URL: https://nextgen-robotics.it/products/argo-20 (дата обращения: 02.09.2025).

4. Transforming Rail Operations Through Automated Robotic Inspection [Электронный ресурс]. URL: https://www.anybotics.com/news/transforming-rail-operations-through-automatedrobotic- inspection/ (дата обращения: 02.09.2025).

5. S. Sarp, M. Kuzlu, V. Jovanovic, Z. Polat, and Ö. Güler, «Digitalization of railway transportation through AI-powered services: digital twin trains,» European Transport Research Review, vol. 16, no. 1, p. 29, 2024, doi: 10.1186/s12544-024-00679-5.

6. A. Gaurav and V. Arya, «AI Technologies in Robotics,» in Advances in Computational Intelligence and Robotics Book Series, 2024, doi: 10.4018/979-8-3693-2707-4.ch002.

7. S. M. Garlapati, C. S. S. Anupama, S. Shaik, M. D. D. Balaga, and S. Chennamsetti, «Automatic Robot for Rail Crack Detection System,» in 2024 IEEE International Conference on Computational Systems and Information Technology for Sustainable Solutions (CSITSS), 2024, doi: 10.1109/CSITSS64042.2024.10816797.
8. P. Kilsby and K. Li, «Enabling Intelligent Robotic Visual Inspection in the Railway Industry with Generative AI,» in 2024 IEEE International Conference on Robotics (IRC), 2024, doi: 10.1109/IRC63610.2024.00051.

9. AeoLogic Technologies, «How AI is Transforming Railway Equipment Manufacturing in 2025, » Robotics Tomorrow, 2025. [Электронный ресурс]. URL: https://www.roboticstomorrow.com/ news/2025/06/25/how-ai-is-transforming-railway-equipment-manufacturing-in-2025/24978.

10. N. AlNaimi and U. Qidwai, «IoT Based on-the-fly Visual Defect Detection in Railway Tracks,» in 2020 IEEE International Conference on Internet of Things, 2020, doi: 10.1109/ICIoT48696.2020.9089560.

11. N. K. Samia et al., «Automated Railway Maintenance System in Context of Bangladesh,» in 2019 IEEE International Conference on Advances in Electronics, Computers and Communications (ICAECC), 2019, doi: 10.1109/ICASERT.2019.8934529.

12. R. K. W. Vithanage, C. S. Harrison, and A. Desilva, «Importance and applications of robotic and autonomous systems (RAS) in railway maintenance sector: a review,» Computers, vol. 8, no. 3, p. 56, 2019, doi: 10.3390/computers8030056.

13. H. Liu et al., «An autonomous rail-road amphibious robotic system for railway maintenance using sensor fusion and mobile manipulator,» Computers & Electrical Engineering, vol. 109, p. 108874, 2023, doi: 10.1016/j.compeleceng.2023.108874.

14. M. Dima, I. A. Chihaia, M. C. Surugiu, and M. Minea, «Preventive Maintenance of the Railway Infrastructure employing Robotized Platform and Virtual Instrumentation,» in 2018 International Conference on Electronics, Computers and Artificial Intelligence (ECAI), 2018, doi: 10.1109/ECAI.2018.8679065.

15. S. Parascho, «Construction Robotics: From Automation to Collaboration,» Annual Review of Control, Robotics, and Autonomous Systems, vol. 5, pp. 14-21, 2022, doi: 10.1146/annurev-control-080122-090049.

16. M. Rahman, M. Rahimi, A. Starr, I. S. Durazo-Cardenas, A. Hall, and R. O. Anderson, «Challenges for a Railway Inspection and Repair System from Railway Infrastructure,»in 2022 International Conference on Control, Mechatronics and Automation (ICCMA), 2022, doi: 10.1109/ICCMA56665.2022.10011603.

17. Y. Qian, M. S. Dersch, Z. Gao, and J. R. Edwards, «Railroad infrastructure 4.0: Development and application of an automatic ballast support condition assessment system,» Transportation Geotechnics, vol. 19, pp. 178-191, 2019, doi:10.1016/j.trgeo.2019.01.002.

18. R. Yokomura et al., «Automated Construction System of a Modularized Rail Structure for Locomotion and Operation in Hazardous Environments: Realization of Stable Transfer Operation of Different Modules in Multiple Load Directions,» in *2022 IEEE/SICE International Symposium on System Integration (SII)*, 2022, doi:10.1109/SII52469.2022.9708866.

19. R. Fukui, Y. Kato, G. Kanayama, R. Takahashi, and M. Nakao, «Construction Planning for a Modularized Rail Structure: Type Selection of Rail Structure Modules and Dispatch Planning of Constructor Robots,» in Distributed Autonomous Robotic Systems, 2018, pp. 489-501, doi: 10.1007/978-3-319-73008-0_42.

20. F. Doll, «Robot system for laying a rail track,» Patent US7823367B2, Nov. 2, 2010.

21. F. Collignon and N. Rada, «Railway construction vehicle, construction train comprising such a construction vehicle and process for building a railway,» Patent EP3369654A1, Sep. 5, 2018.

22. V. Shcherbakov, A. Karpik, and M. Barsuk, «Automation of Railroad Construction Technology Using Surveying Methods,» in Proceedings of the International Conference on Industrial Engineering, 2019, pp. 199-207, doi: 10.1007/978-3-030-37919-3_19.

23. C. Lu, J. Liu, Y. Liu, and Y. Liu, «Intelligent construction technology of railway engineering in China,» Frontiers of Engineering Management, vol. 7, no. 4, pp. 551-567, 2019, doi: 10.1007/s42524-019-0073-9.

24. A. Polyanskiy, «Adaptive digital technological regulations development for engineering and intellectual support for the railway track facilities construction,» Scientific and Technical Journal of St. Petersburg State Polytechnic University, 2022, doi: 10.15862/03sats122.

25. M. Rahman, H. Liu, I. D. Cardenas, A. Starr, A. Hall, and R. Anderson, «Towards an Autonomous RIRS: Design, Structure Investigation and Framework,» in 2021 9th International Conference on Mechatronics Engineering (ICME), 2021, doi:10.1109/ICMRE51691.2021.9384846.
26. D. Priyanka, Y. Nandhan, M. Vishal, K. S. Vigneshwar, and M. H. Heartlin, «Securing railways by crack detection technology,» in AI and IoT for Sustainable Development in Emerging Countries, 2024, doi: 10.1201/9781003587538-45.

27. «Underground structure built with robots cuts time and costs [news — briefing],» Engineering & Technology, vol. 17, no. 5, p. 16, 2022, doi: 10.1049/et.2022.1105.

28. E. A. Dudorov, V. V. Kudyukin, and K. A. Kotova, «Robotic complexes for rolling stocks maintenance on Russian railways,» Izvestiâ vysših učebnyh zavedenij, vol. 9, pp. 3-15, 2022, doi: 10.18698/0536-1044-2022-9-3-15.

29. R. A. Gregory and R. Kangari, «Cost/Benefits of Robotics in Infrastructure and Environmental Renewal,» Journal of Infrastructure Systems, vol. 6, no. 1, pp. 33-42, 2000, doi: 10.1061/(ASCE)1076-0342(2000)6:1(33).

30. R. Hu, W. Pan, K. Iturralde, T. Linner, and T. Bock, «Construction Automation and Robotics for Concrete Construction: Case Studies on Research, Development, and Innovations,» in Proceedings of the 40th International Symposium on Automation and Robotics in Construction (ISARC), 2023, pp. 683-690, doi: 10.22260/ISARC2023/0095.

31. K. K. K. Murthy, O. Goel, and S. Jain, «Advancements in Digital Initiatives for Enhancing Passenger Experience in Railways,» Journal of Digital Innovations & Research, vol. 11, no. 1, 2023, doi: 10.36676/dira.v11.i1.71.

32. M. Shiomi, D. Sakamoto, T. Kanda, C. T. Ishi, H. Ishiguro, and N. Hagita, «Field Trial of a Networked Robot at a Train Station,» International Journal of Social Robotics, vol. 3, pp. 2740, 2011, doi: 10.1007/s12369-010-0077-4.

33. Shiomi, M., Sakamoto, D., Kanda, T., Ishi, C. T., Ishiguro, H., & Hagita, N. (2011). Field Trial of a Networked Robot at a Train Station. Journal Article. doi: 10.1007/S12369-010-0077-4

34. L. Xiao, R. Liu, and W. Huang, «Station guide service robot,» Patent CN104057452A, Sep. 24, 2014.

35. C. Xie, T. He, and M. Wang, «Station robot service system,» Patent CN110262527A, Sep. 20, 2019.

36. L. I. Sakri, S. R. Biradar, M. P. Kulkarni, S. Patilkukarni, and K. Sahana, «Enhancing Passenger Convenience: An Efficient Speech Driven Enquiry System for Railway Stations,» in 2024 IEEE International Conference on Wireless Communications and Internet of Things (ICWITE), 2024, doi: 10.1109/ICWITE59797.2024.10592297.

37. C. Wang et al., «Method and system for checking tickets automatically in railway station,» Patent CN104021521A, Sep. 3, 2014.

38. X. Zeng and W. Zhu, «Multifunctional ticket checking system of railway passenger station,» Patent CN103927585A, Jul. 16, 2014.

39. G. Lu, M. Deng, K. Wang, F. Chen, S. Lu, and X. Li, «Research on Navigation and Positioning of Intelligent Service Robot in High-speed Railway Station Based on ROS System,» in 2023 6th International Conference on Civil Aviation Safety and Information Technology (ICCASIT), 2023, doi:10.1109/ICCASIT58768.2023.10351751.

40. K. H. Kim, J. G. Hwang, T. H. Lee, and T. K. An, «System and Method for Supporting Route Guidance in Railway Station,» Patent KR1020200031234A, Mar. 24, 2020.

41. Z. Qian et al., «Intelligent robot for railway passenger station and operation method thereof,» Patent CN110450193A, Nov. 12, 2019.

42. S. Guan et al., «Railway transport intelligent safe passage system and passage method,» Patent CN105730456A, Jul. 6, 2016.

43. B. Chen, Y. Zhang, C. Chen, H. Li, and Y. Wang, «Railway transport of passengers station platform passenger safety protection system that waits,» Patent CN105383485A, Mar. 9, 2016.

44. S. Blake, «Shiro-Neko, A Stationmaster Robot that Operates an Unmanned Station,» in Social Robots in Social Institutions, 2023, pp. 13-21, doi: 10.1007/978-3-031-29871-4_2.
45. J. Kuang and Q. Wang, «Passenger train intelligent service system based on service robot,» Patent CN109808746A, May. 28, 2019.

46. T. Ogawa, «Autonomous support robot for customer service terminal equipment,» Patent JP2013233884A, Nov. 21, 2013.

47. J.-G. Hwang, K.-H. Kim, T.-H. Lee, T.-K. Ahn, and M.-S. Jin, «Operational scenario of cobot for escort of the mobility handicapped at railway stations,» in Proceedings of the 9th International Conference on Railway Engineering, 2018, pp. 121-130, doi: 10.2495/CR180211.

48. М. Руденко, «Digital transformation of passenger rail transport: evaluation of the effectiveness of installing digital screens and implementing interactive information systems on trains,» Science and Technology, vol. 1, no. 8, pp. 110-122, 2024, doi: 10.31319/2709-2879.2024iss1(8).306486pp110-122.

49. M. Rahman, M. Rahimi, A. Starr, I. Durazo Cardenas, A. Hall, and R. O. Anderson, «An overview of the challenges for railway maintenance robots,» in Proceedings of the UK-RAS Conference, 2022, doi: 10.31256/bx2wd2o.

50. M. Rahman, H. Liu, I. Durazo Cardenas, A. Starr, A. Hall, and R. O. Anderson, «A Review on the Prospects of Mobile Manipulators for Smart Maintenance of Railway Track,» Applied Sciences, vol. 13, no. 11, p. 6484, 2023, doi: 10.3390/app13116484.

51. M. Rahimi, H. Liu, I. Durazo Cardenas, A. Starr, A. Hall, and R. O. Anderson, «A Review on Technologies for Localisation and Navigation in Autonomous Railway Maintenance Systems,» Sensors, vol. 22, no. 11, p. 4185, 2022, doi: 10.3390/s22114185.

52. J. Kasch and M. Ahmadian, «Design and Operational Assessment of a Railroad Track Robot for Railcar Undercarriage Condition Inspection,» Designs, vol. 8, no. 4, p. 70, 2024, doi: 10.3390/designs8040070. 53. M. Molzon and M. Ahmadian, «Development of a Mobile Robot System for the Visual Inspection of Railcar Undercarriage Equipment,» in Proceedings of the 2022 Joint Rail Conference, 2022, doi: 10.1115/JRC2022-79739.

54. P. Singh et al., «Deployment of Autonomous Trains in Rail Transportation: Current Trends and Existing Challenges,» IEEE Access, vol. 9, pp. 87979-88002, 2021, doi: 10.1109/ACCESS.2021.3091550.

55. S. Müller, «Autonomous trains in freight transport: should the railway not have the advantage over the trucks?,» WIT Transactions on the Built Environment, vol. 199, pp. 111-122, 2020, doi: 10.2495/CR200011.

56. R. K. W. Vithanage, C. S. Harrison, and A. Desilva, «A Study on Automating Rolling-stock Maintenance in the Rail Industry using Robotics,» in Proceedings of the 9th International Conference on Agents and Artificial Intelligence, 2017, pp. 278-283, doi: 10.5220/0006410702780283.

57. M. Wild, J. S. Becker, G. Ehmen, and E. Möhlmann, «Towards Scenario-Based Certification of Highly Automated Railway Systems,» in Formal Methods for Industrial Critical Systems, 2023, pp. 81-98, doi: 10.1007/978-3-031-43366-5_5.

58. M. Seisenberger et al., «Safe and Secure Future AI-Driven Railway Technologies: Challenges for Formal Methods in Railway,» in Formal Methods for Industrial Critical Systems, 2022, pp. 325-343, doi: 10.1007/978-3-031-19762-8_20.

59. F. Flammini, L. De Donato, A. Fantechi, and V. Vittorini, «A Vision of Intelligent Train Control,» in Formal Methods for Industrial Critical Systems, 2022, pp. 239-254, doi: 10.1007/978-3-031-05814-1_14.

60. G. M. Tretiakov, N. N. Mazko, and A. V. Varlamov, «The use of machine learning technologies to automate the planning and management of freight transportation on the railway,» Sovremennye naukoëmkie tehnologii, no. 11, 2023, doi: 10.17513/snt.39977.

61. A. N. Shabelnikov, «Railway Sorting Robotics,» in Proceedings of the International Scientific Siberian Transport Forum, 2019, pp. 683-692, doi: 10.1007/978-3-030-50097-9_63.

62. J. Yin et al., «Research and development of automatic train operation for railway transportation systems: A survey,» Transportation Research Part C: Emerging Technologies, vol. 85, pp. 548-572, 2017, doi: 10.1016/j.trc.2017.09.009.

63. D. Golightly et al., «Human, Organisational and Societal Factors in Robotic Rail Infrastructure Maintenance,» Sustainability, vol. 14, no. 4, p. 2123, 2022, doi: 10.3390/su14042123.

64. P. Singh et al., «Deployment of Autonomous Trains in Rail Transportation: Addressing the Needs for Higher Education and Leadership,» in Lecture Notes in Mobility, 2024, pp. 85-100, doi: 10.1007/978-3-031-51745-7_7.

В статье представлен обзор гибридных алгоритмов, применяемых для управления технологическими процессами на железнодорожном транспорте. Особое внимание уделяется интеграции методов искусственного интеллекта, оптимизации, машинного обучения и физических моделей для повышения эффективности, надежности и безопасности железнодорожных систем. Рассматриваются ключевые типы гибридных решений: нейро-нечеткие системы, эволюционные алгоритмы с обучением, цифровые двойники, имитационно-оптимизационные подходы и комбинированные стратегии обучения. Описаны примеры успешного применения гибридных моделей в задачах диспетчеризации, прогнозирования технического состояния, оптимизации расписаний, диагностики и энергоэффективности. Приведен сравнительный анализ точности, производительности и устойчивости различных подходов. Выделены преимущества гибридизации по сравнению с одиночными методами, а также обозначены актуальные вызовы и направления дальнейшего развития.

гибридные алгоритмы, железнодорожные системы, автоматизация технологических процессов, интеллектуальные транспортные системы, цифровые двойники, нейронные сети, машинное обучение.

1. Zhou, M., Peng, Y., & An, L. (2022). Technical advances, innovation and challenges of developing high-speed rail in China. Proceedings of the Institution of Civil Engineers. https://doi.org/10.1680/jcien.21.00149

2. Feng, L., & Yu, X. (2018). A Study on the Integration Innovation Mode of China Railway High- Speed (CRH) Technology. Portland International Conference on Management of Engineering and Technology. https://doi.org/10.23919/PICMET.2018.8481875

3. Fang, X., Yang, Z., & Lin, F. (2013). Virtual Development Platform of High-Speed Train Traction Drive System in View of Top-Level Goals. Vehicle Power and Propulsion Conference. https://doi.org/10.1109/VPPC.2013.6671741

4. Hao, W. (2012). Development of the High Speed Comprehensive Inspection Train 

5. Ji, P. (2023). Head shape design of Chinese 450 km/h high-speed trains based on pedigree feature parameterization. https://doi.org/10.21606/iasdr.2023.231
6. Oh, K. T., Yoo, M.-S., Jin, N., Ko, J., Seo, J., Joo, H., & Ko, M. (2022). A Review of Deep Learning Applications for Railway Safety. Applied Sciences. doi: 10.3390/app122010572

7. Liu, J., Liu, G., Wang, Y., & Zhang, W. (2024). Artificial-intelligent-powered safety and efficiency improvement for integrated railway systems. High-speed railway. doi: 10.1016/j.hspr.2024.06.006

8. Liu, J., Liu, G., Wang, Y., & Zhang, W. (2024). Artificial-intelligent-powered safety and efficiency improvement for controlling and scheduling in integrated railway systems. High-speed railway. doi: 10.1016/j.hspr.2024.06.002
9. Yan, Z., Tiantian, W., JingSong, Y., & Guoqin, Z. (2023). Development and engineering application of integrated safety monitoring system for China’s high-speed trains. Transportation safety and environment. doi: 10.1093/tse/tdad017

10. Yi, S., Kuang, J., & Liu, R. (2023). Research on Safety Risk Prediction Model of High-Speed Railway Based on Chaotic RBF Neural Network. Journal Article. doi: 10.1109/ishc61216.2023.00025

11. Zihui, Z., Tian, X., & Zhiwei, S. (2023). Deepening Research on the Comprehensive Application and Development of Railway Intelligent Detection and Monitoring System and Key Technologies. Journal Article. https://doi.org/10.1109/itoec57671.2023.10291609

12. Zheng, Song, Xu, Lei. (2020). A Fault Diagnosis Method of Bogie Axle Box Bearing Based on Spectrum Whitening Demodulation. Sensors (Basel, Switzerland). doi: 10.3390/s20247155

13. Sai, D. H. (2024). Revolutionizing Railways: An AI-Powered Approach for Enhanced Monitoring and Optimization. Journal Article. doi: 10.55041/isjem01382
14. Miao, Z., Zhang, Q., Lv, Y., Wenzhe, S., & Wang, H. (2018). An AI based High-speed Railway Automatic Train Operation System Analysis and Design. Proceedings Article. doi: 10.1109/ICIRT.2018.8641650

15. Li, X., Zhu, M., Zhang, B., Wang, X., Liu, Z. A., & Han, L. (2024). A review of artificial intelligence applications in high-speed railway systems. High-speed railway. doi: 10.1016/j.hspr.2024.01.002

16. Sai, D. H. (2024). Revolutionizing Railways: An AI-Powered Approach for Enhanced Monitoring and Optimization. Journal Article. doi: 10.55041/isjem01382

17. Zihui, Z., Tian, X., & Zhiwei, S. (2023). Deepening Research on the Comprehensive Application and Development of Railway Intelligent Detection and Monitoring System and Key Technologies. Journal Article. doi: 10.1109/itoec57671.2023.10291609

18. Hong, P. (2017). Intelligent trouble diagnosis method for high-speed rail. Patent.

19. Dubljanin, D., Marković, F., Dimić, G., Vučković, D., Petković, M., & Mosurović, L. (2024). Educational Application of Artificial Intelligence for Diagnosing the State of Railway Tracks. International Journal of Cognitive Research in Science, Engineering and Education.

20. Chien‐Kuo Chiu. (2024). AI-Driven railway regulator inspection planning system: enhancing railway safety inspection prioritisation and incident management. HKIE Transactions. https://doi.org/10.33430/v31n4thie-2024-0012

В статье представлен комплексный анализ современных тенденций развития высокоскоростного железнодорожного транспорта (ВСМ) в Китае, основанный на материалах XII Всемирного конгресса по высокоскоростным железным дорогам (Пекин, 2025). Рассматриваются ключевые технологические достижения, включая создание инновационного подвижного состава серии CR450 с рекордной скоростью 450 км/ч, внедрение интеллектуальных систем управления (CTCS) и переход на связь нового поколения (5G-R). Особое внимание уделено цифровой трансформации отрасли: применению искусственного интеллекта для диагностики и прогнозирования, созданию цифровых двойников инфраструктуры, а также масштабной роботизации процессов обслуживания. Анализируется роль Китайской академии железнодорожных наук (CARS) как системообразующего элемента национальной инновационной экосистемы, обеспечивающей полный цикл разработки – от фундаментальных исследований до промышленного внедрения. Подчеркивается значение государственной стратегии, сочетающей масштабные инвестиции в НИОКР, развитие испытательной базы и активную патентную защиту технологий. Статья будет полезна специалистам в области транспортного машиностроения, железнодорожной автоматики и цифровых технологий, а также представителям органов управления транспортной отраслью, интересующимся передовым международным опытом.

высокоскоростной железнодорожный транспорт, искусственный интеллект, цифровизация, системы управления движением, китайские железные дороги, CR450, CTCS, 5G-R, CARS.

1. Zhou, M., Peng, Y., & An, L. (2022). Technical advances, innovation and challenges of developing high-speed rail in China. Proceedings of the Institution of Civil Engineers. https://doi.org/10.1680/jcien.21.00149

2. Feng, L., & Yu, X. (2018). A Study on the Integration Innovation Mode of China Railway High- Speed (CRH) Technology. Portland International Conference on Management of Engineering and Technology. https://doi.org/10.23919/PICMET.2018.8481875

3. Fang, X., Yang, Z., & Lin, F. (2013). Virtual Development Platform of High-Speed Train Traction Drive System in View of Top-Level Goals. Vehicle Power and Propulsion Conference. https://doi.org/10.1109/VPPC.2013.6671741

4. Hao, W. (2012). Development of the High Speed Comprehensive Inspection Train
5. Ji, P. (2023). Head shape design of Chinese 450 km/h high-speed trains based on pedigree feature parameterization. https://doi.org/10.21606/iasdr.2023.231

6. Oh, K. T., Yoo, M.-S., Jin, N., Ko, J., Seo, J., Joo, H., & Ko, M. (2022). A Review of Deep Learning Applications for Railway Safety. Applied Sciences. doi: 10.3390/app122010572

7. Liu, J., Liu, G., Wang, Y., & Zhang, W. (2024). Artificial-intelligent-powered safety and efficiency improvement for integrated railway systems. High-speed railway. doi: 10.1016/j.hspr.2024.06.006

8. Liu, J., Liu, G., Wang, Y., & Zhang, W. (2024). Artificial-intelligent-powered safety and efficiency improvement for controlling and scheduling in integrated railway systems. High-speed railway. doi: 10.1016/j.hspr.2024.06.002

9. Yan, Z., Tiantian, W., JingSong, Y., & Guoqin, Z. (2023). Development and engineering application of integrated safety monitoring system for China’s high-speed trains. Transportation safety and environment. doi: 10.1093/tse/tdad017

10. Yi, S., Kuang, J., & Liu, R. (2023). Research on Safety Risk Prediction Model of High-Speed Railway Based on Chaotic RBF Neural Network. Journal Article. doi: 10.1109/ishc61216.2023.00025

11. Zihui, Z., Tian, X., & Zhiwei, S. (2023). Deepening Research on the Comprehensive Application and Development of Railway Intelligent Detection and Monitoring System and Key Technologies. Journal Article. https://doi.org/10.1109/itoec57671.2023.10291609

12. Zheng, Song, Xu, Lei. (2020). A Fault Diagnosis Method of Bogie Axle Box Bearing Based on Spectrum Whitening Demodulation. Sensors (Basel, Switzerland). doi: 10.3390/s20247155
13. Sai, D. H. (2024). Revolutionizing Railways: An AI-Powered Approach for Enhanced Monitoring and Optimization. Journal Article. doi: 10.55041/isjem01382

14. Miao, Z., Zhang, Q., Lv, Y., Wenzhe, S., & Wang, H. (2018). An AI based High-speed Railway Automatic Train Operation System Analysis and Design. Proceedings Article. doi: 10.1109/ICIRT.2018.8641650

15. Li, X., Zhu, M., Zhang, B., Wang, X., Liu, Z. A., & Han, L. (2024). A review of artificial intelligence applications in high-speed railway systems. High-speed railway. doi: 10.1016/j.hspr.2024.01.002 16. Sai, D. H. (2024). Revolutionizing Railways: An AI-Powered Approach for Enhanced Monitoring and Optimization. Journal Article. doi: 10.55041/isjem01382

17. Zihui, Z., Tian, X., & Zhiwei, S. (2023). Deepening Research on the Comprehensive Application and Development of Railway Intelligent Detection and Monitoring System and Key Technologies. Journal Article. doi: 10.1109/itoec57671.2023.10291609

18. Hong, P. (2017). Intelligent trouble diagnosis method for high-speed rail. Patent.

19. Dubljanin, D., Marković, F., Dimić, G., Vučković, D., Petković, M., & Mosurović, L. (2024). Educational Application of Artificial Intelligence for Diagnosing the State of Railway Tracks. International Journal of Cognitive Research in Science, Engineering and Education.

20. Chien‐Kuo Chiu. (2024). AI-Driven railway regulator inspection planning system: enhancing railway safety inspection prioritisation and incident management. HKIE Transactions. https://doi.org/10.33430/v31n4thie-2024-0012

Статья рассматривает перспективы внедрения беспилотного движения грузовых поездов, выделяя главные трудности и достижения в данной сфере. Отмечено, что несмотря на отдельные успешные проекты, массовые испытания пока невозможны из-за отсутствия единых стандартов оценки качества функционирования систем и процедур сертификации безопасности. Важнейшими проблемами являются обеспечение эффективной коммуникации между автоматизированными и традиционными элементами инфраструктуры, разработка унифицированных протоколов взаимодействия и совершенствование математических моделей движения поездов. Анализируются практические примеры реализации беспилотных систем, такие как параллельное перемещение контейнеров, применение беспилотных маневровых устройств и автоматизация грузовых перевозок. Статья подчеркивает необходимость дальнейшего изучения и разрешения ключевых аспектов безопасности и функциональности беспилотных технологий, которые позволят расширить масштабы их использования на транспорте.

беспилотное движение, грузовые поезда, техническое зрение, определение препятствий, железнодорожный транспорт.

1. R. C. Ramírez, I. Adin, J. Goya, U. Alvarado, A. Brazalez and J. Mendizabal, “Freight Train in the Age of Self-Driving Vehicles. A Taxonomy Review,” in IEEE Access, vol. 10, pp. 9750-9762, 2022, doi: 10.1109/ACCESS.2022.3144602.

2. D. Trentesaux et al., “The Autonomous Train,” in 2018 13th Annual Conference on System of Systems Engineering (SoSE), Paris, France, 2018, pp. 514-520, doi: 10.1109/SYSOSE.2018.8428771.

3. Сайт компании Parallel. Электронный ресурс. URL: https://www.moveparallel.com (дата обращения: 03.09.2025)

4. Ефремов, А. Беспилотные рельсовые экипажи для контейнерных перевозок / А. Ефремов // Железные дороги мира. – 2022. – № 3. – С. 57-59.

5. Ефремов, А. Беспилотные тяжеловесные поезда на сети компании Rio Tinto в Австралии / А. Ефремов // Железные дороги мира. – 2020. – №1. – С. 61-66.

6. Презентация системы AutoHaul. Электронный ресурс. URL: https://socialinnovation. hitachi/-/media/project/hitachi/sib/en-au/events/pdf/Roslyn-Stuart-slide.pdf (дата обращения: 01.09.2025).

7. M. Yusuf, A. MacDonald, R. Stuart, and H. Miyazaki, “Heavy haul freight transportation system: AutoHaul – Autonomous heavy haul freight train achieved in Australia,” Hitachi Review, vol. 69, no. 6, pp. 790-791, 2020.

8. Сайт компании Volert. Электронный ресурс. URL: https://www.vlex-robot.de/ru/novyi-vlex-robot (дата обращения: 03.09.2025).

9. Сайт проекта Digitale Schiene Deutschland. Электронный ресурс. URL:https://digitaleschiene- deutschland.de/en/projects/AutomatedTrain (дата обращения: 26.09.2025).

10. D. Spenneberg, M. Bauer, M. Ghee, and S. Krönke, “Teststrategie zur Vermeidung von Feldtests bei der Entwicklung vollautomatisiert fahrender Züge,” SIGNAL+DRAHT, № 11, pp. 67-76, 2024.

11. Попов, П. А. Применение передовых технологий для работы в автоматическом режиме на МЦК / П. А. Попов // Железнодорожный транспорт. – 2020. – № 11. – С. 17-21.

12. R. Tagiew, T. Buder, and M. Fietze, “Uberblick zur fahrzeugseitigen Kollisionsvorhersage fur Eisenbahnen,” ZEVrail, № 174, pp. 122-127, 2023.

13. D. Ristić-Durrant, M. Franke, and K. Michels, “A Review of Vision-Based On-Board Obstacle Detection and Distance Estimation in Railways,” Sensors, vol. 21, no. 10, p. 3452, 2021, doi: 10.3390/s21103452.

14. R. Tagiew and C. Klotz, “Performance Metric for Horn and Brake Automation on Mainline Trains,” in Proceedings of the 10th International Conference on Vehicle Technology and Intelligent Transport Systems - VEHITS, 2024, pp. 212-219, doi: 10.5220/0012553100003702.

15. R. Tagiew, T. Buder, K. Hofmann, C. Klotz, and R. Tilly, “Towards Nucleation of GoA3+ Approval Process,” in Proceedings of the 2021 5th High Performance Computing and Cluster Technologies Conference (HPCCT ‘21), New York, NY, USA, 2021, pp. 41–47, doi: 10.1145/3497737.3497742.

16. Попов, П. А. Переход к беспилотным поездам: текущие вызовы и пути решения / П. А. Попов, С. В. Кудряшов // Автоматика, связь, информатика. – 2021. – № 11. – С. 18-20.

17. Попов, П. А. Требования к системе технического зрения / П. А. Попов, С. В. Кудряшов // Железнодорожный транспорт. – 2024. – № 7. – С. 33-35.

18. R. Nakasone, N. Nagamine, M. Ukai, H. Mukojima, and D. Deguchi, “Frontal Obstacle Detection Using Background Subtraction and Frame Registration,” Quarterly Report of RTRI, vol. 58, no. 4, pp. 298-302, 2017, doi: 10.2219/rtriqr.58.4_298.

19. W. Zhangyu, Y. Guizhen, W. Xinkai, L. Haoran and L. Da, “A Camera and LiDAR Data Fusion Method for Railway Object Detection,” in IEEE Sensors Journal, vol. 21, no. 12, pp. 13442-13454, 15 June15, 2021, doi: 10.1109/JSEN.2021.3066714.

20. R. Tagiew, D. Leinhos, H. von der Haar et al., “Sensor system for development of perception systems for ATO,” Discov Artif Intell, vol. 3, p. 22, 2023, doi: 10.1007/s44163-023-00066-4.

21. T. Herrmann, B. Noethlichs, M. Schischkoff, T. Hanisch, D. Lauer, M. Koppel, and K. U. Wolter, “Auf dem Weg zum vollautomatischen Fahren– ein erstes Forschungsprojekt zur Erkennung von Uberfahrereignissen,” ZEVrail, vol. 03, no. 2, 2023.

22. O. Lahneche, A. Haag, P. Dendorfer, V. Aravantinos, M. Guilbert, and M. Sallak, “Analysing railway accidents : a statistical approach to evaluating human performance in obstacle detection,” in Proceedings of the Sixth International Conference on Railway Technology : Research, Development and Maintenance, 2024.

23. Баранов, Л. А. Обеспечение безопасности движения поездов в беспилотных транспортных системах / Л. А. Баранов // *XIII Всероссийское совещание по проблемам управления ВСПУ-2019. Сборник трудов XIII Всероссийского совещания по проблемам управления ВСПУ-2019*. – М.: Институт проблем управления им. В.А. Трапезникова РАН, 2019. – С. 1995-1999.

24. Баранов, Л.А. Погрешности измерения расстояния до препятствия средствами технического зрения и прогноза пути торможения в беспилотных системах управления движением поездов / Баранов Л. А., Бестемьянов П. Ф., Балакина Е. П., Охотников А. Л. // Мир транспорта. – 2021. – Т. 19. – № 6 (97). – С. 6-12.

25. Попов, П. А. Сопоставление возможностей человека и машины в восприятии окружающего мира / Попов П. А., Дашонок В. Л. // Железнодорожный транспорт. – 2019. – № 8. – С. 44-46.

26. R. Tagiew, T. Buder, K. Hofmann, and C. Klotz, “Risikoanalyse der Schnellbremsung bei frontaler Kollisionsgefahr,” Elektrische Bahnen, № 6-7, 2022.

27. Hyde P, Ulianov C, Liu J, Banic M, Simonovic M, Ristic-Durrant D. “Use cases for obstacle detection and track intrusion detection systems in the context of new generation of railway traffic management systems,” Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, vol. 236, no. 2, pp. 149-158, 2021, doi:10.1177/09544097211041020.

28. Попов, П.А. Инфраструктура для внедрения систем автоматического управления электропоездами / Попов П.А. // Железнодорожный транспорт. – 2022. – № 10. – С. 20-23.

29. Макаренко, С. И. Интероперабельность организационно-технических систем. Монография. – СПб.: Наукоемкие технологии, 2024. – 313 с.

30. Розенберг, Е.Н. Общие подходы к доказательству безопасности автономных систем / Е. Н. Розенберг, П. А. Попов, Д. В. Талалаев, А. М. Ольшанский, Н. А. Бояринова // Автоматика, связь, информатика. – 2022. – № 1. – С. 2-9.

31. Розенберг, Е. Н. О применении нейронных сетей в ответственных системах / Е. Н. Розенберг, Д. В. Талалаев // Интеллектуальные транспортные системы. материалы Международной научно-практической конференции. – Москва, 2022. – С. 451-453.

32. Шебе, Х. Различные подходы к автономному вождению для железных дорог / Х. Шебе, И. Б. Шубинский, Е. Н. Розенберг // Надежность. – 2025. – Т. 25. – № 1. – С. 4-10.

33. Якушев, Д.А. Цифровая модель пути для беспилотного управления движением поездов / Д. А. Якушев // Автоматика, связь, информатика. – 2021. – № 4. – С. 35-39.

34. Иванов, В.Ф. Высокоточная система позиционирования железнодорожного подвижного состава / В. Ф. Иванов, П. А. Попов // Труды АО «НИИАС». Сборник статей. – Москва, 2021. – С. 179-189.

35. B. Thomas-Friedrich, E. Bosch, B. Cogan, H. Wasle, and A. Naumann, “Menschliche Wahrnehmung als Maßstab für zukünftige ATO-Systeme,” EI-DEREISENBAHNINGENIEUR, № 09, pp. 62-66, 2023.

36. B. Milius, B. Cogan, B. Thomas-Friedrich, H. L. Esther Bosch, U. Metzger, and D. Leinhos, “Funktionale Anforderungen an Sensorik und Logik einer ATO-Einheit,” Deutsches Zentrum für Schienenverkehrsforschung beim Eisenbahn-Bundesamt, 2024. [Электронный ресурс]. DOI: 10.48755/dzsf.250002.01.

37. Deutsches Zentrum für Luft- und Raumfahrt e.V. (DLR), “RailSiTe® (Rail Simulation and Testing),” Journal of large-scale research facilities, vol. 2, p. A88, 2016, doi: 10.17815/jlsrf-2-144.


38. Федоров В. А. Сегментация объектов техническим зрением в автоматизированных системах управления железнодорожным подвижным составом / В. А. Федоров, О. М.Огородникова // Автоматика на транспорте. – 2025. – Том 11. – № 3. – С. 239-249.

Статья рассматривает прием грузового поезда на Цифровую железнодорожную станцию (ЦЖС), проект которой реализуется на Южно-Уральской железной дороге с 2018 года и включает в себя создание модульной структуры, обеспечивающей взаимодействие различных подсистем в режиме реального времени. Одним из элементов ЦЖС является система автоматического приема и диагностики подвижного состава, позволяющая формировать цифровую модель поезда и принимать решения о его маршруте на основе результатов осмотра. При прибытии поезда на станцию проводится последовательная цепочка технологических операций. Выбор каждой последующей операции зависит от результатов выполнения предыдущих, поэтому при проектировании современных станционных систем железнодорожной автоматики могут применяться последовательностные автоматы, в том числе модели автоматов Мили и Мура. Применение теории автоматов при синтезе микропроцессорных станционных систем ж.д. автоматики в эпоху их бурного развития позволило выявлять узкие места с обеспечением безопасности систем и оптимизировать их структуру. Поэтому для исследования модели цифровой железнодорожной станции предлагается формализовать описание в нотации конечных автоматов с целью оптимизации взаимосвязей модулей ЦЖС, и в конечном итоге повысить эффективность работы станции. В качестве входного алфавита можно использовать события (сигналы) систем автоматики и диагностики, внутренние состояния отражают этапы выполнения технологического процесса. Выходной алфавит – возможные решения по управлению станцией, которые реализуются путем передачи информации в соответствующие программно-аппаратные комплексы и модули ЦЖС.

цифровая железнодорожная станция, структура, представление алгоритмов, последовательностные автоматы

1. Швалов В. Д. Методы прогнозирования нештатных ситуаций в системах управления движением поездов // Материалы конференции: Инновационная железная дорога. Новейшие и перспективные системы обеспечения движения поездов. Проблемы и решения. – Санкт-Петербург, Петергоф, 21 мая 2024 года.

2. Хатламаджиян А. Е., Ольгейзер И. А., Суханов А. В., Иерусалимов В. С. Формирование объективных показателей работы сортировочной станции на основе данных «от колеса» // Автоматика на транспорте. – 2024. – № 3, Т. 10.

3. Янев Ж. О структуре цифровой модели железнодорожной станции // Транспортное дело России. – 2024. – № 3.

4. Пашуков А. В. Методика синтеза станционных систем железнодорожной автоматики и телемеханики с программируемой логикой с применением модели конечных автоматов // Транспорт Урала. – 2023. – № 3 (78).

5. Хатламаджиян А. Е., Шаповалов В. В., Кудюкин В. В., Зенько А. С. Комплексные системы диагностирования грузового подвижного состава // Труды АО «НИИАС»: сб. ст. – М., 2021. – Т. 1, Вып. 11.

6. Гапанович В. А., Золотарев Ю. Ф., Ольгейзер И. А., Розенберг Е. Н., Соколов В. Н., Шабельников А. Н. Система закрепления составов на путях железнодорожной станции: пат. на изобр.

7. Хатламаджиян А. Е., Ольгейзер И. А., Суханов А. В., Корниенко К. И. Перспективы внедрения комплекса позиционирования и контроля закрепления составов на путях железнодорожных станций «Прицел» // Вестник института проблем естественных монополий: техника железных дорог. – 2023. – № 3.

8. Бочков А. В. Обзор заседаний секций научно-технического совета АО «НИИАС» в первом полугодии 2025 года // Интеллектуальный транспорт. – 2025. – № 2.

9. Ольгейзер И. А., Соколов В. Н., Юндин А. Л., Корниенко К. И. Автоматизация заграждения сортировочных путей в концепции Цифровой железнодорожной станции // Автоматика, связь, информатика. – 2023. – № 11.

10. Концепция «Цифровая Железнодорожная станция»: утв. распоряжением ОАО «РЖД» от 07.11.2018 № 1049 (в ред. от 05.06.2020 № 1217/р).

В статье рассматривается проблема нехватки частотного ресурса в диапазонах VHF и UHF для транкинговых радиосетей, используемых в критически важных отраслях, таких как гражданская авиация и железнодорожный транспорт. Предложен метод оптимизации вызовов в сетях стандарта DMR Tier III, основанный на динамическом распределении нагрузки между базовыми станциями. Разработанное программное обеспечение включает три модуля: конвертер данных, аналитический модуль и модуль визуализации. Приведены математические модели обработки информации, а также результаты тестирования системы, демонстрирующие демонстрирующие повышение пропускной способности транкинговой радиосети DMR Tier III на 15% за счет динамического перераспределения групповых вызовов между базовыми станциями на основе анализа их текущей нагрузки.

DMR Tier III, транкинговая радиосеть, оптимизация вызовов, обработка информации, пропускная способность

1. О порядке распределения полос радиочастот: постановление Правительства РФ от 2 апр. 2020 г. № 539 (ред. от 25.12.2023) // Собрание законодательства РФ. – 2020. – № 15. – Ст. 2319.

2. R. Ekman et al., “Measurements to Study the Coexistence of Private LTE TDD Networks in 2.3 GHz Band,” in 2021 29th Conference of Open Innovations Association (FRUCT), 2021, pp. 102108.

3. W. Kampichler, D. Eier, and F. Liberal, “Improvements in Operational Efficiency at Airports Using Lie Networks for Communications,” in 2022 Integrated Communication, Navigation and Surveillance Conference (ICNS), 2022, pp. 1–9.

4. А. В. Ильченко, «Конвертер данных CMSS: свидетельство о государственной регистрации программы для ЭВМ № 2020662503,» зарегистрировано 06.10.2020.

5. Functional architecture and information flows for Mission Critical Push To Talk: 3GPP Technical Specification 23.179. [Электронный ресурс]. URL: https://www.3gpp.org/ftp/Specs/archive/23_series/23.179/

6. Digital Mobile Radio (DMR) Systems: ETSI TS 102 361-1 V.2.5.1*. [Электронный ресурс]. URL: https://www.etsi.org/deliver/etsi_ts/102300_102399/10236101/02.05.01_60/ ts_10236101v020501p.pdf

7. DMR Tier III Technology Overview: Motorola Solutions. [Электронный ресурс]. URL: https://www.motorolasolutions.com/

8. Principal component analysis: a review and recent developments / I. T. Jolliffe, J. Cadima // Philosophical Transactions of the Royal Society A. – 2016. – Vol. 374, iss. 2065. – Art. 20150202.

9. I. T. Jolliffe and J. Cadima, “Principal component analysis: a review and recent developments,” Philosophical Transactions of the Royal Society A, vol. 374, iss. 2065, Art. 20150202, 2016, doi: 10.1098/rsta.2015.0202.

10. А. А. Фролов, «Анализ современных стандартов: McWILL, TD-SCDMA, WCDMA, IEEE 802.15.3a для применения в СШП-системах,» T-Comm, т. 6, № 9, с. 58–63, 2012.

11. E. Dahlman, S. Parkvall, and J. Skold, “5G NR: The Next Generation Wireless Access Technology,” Academic Press, 2020.

12. А. В. Ильченко и Т. Е. Ильченко, «Исследование потоков информации в транкинговой радиосети для операций наземного обслуживания воздушных судов,» Вестник Российского университета дружбы народов. Серия: Инженерные

В данной работе представлена система оценки OMLS-Bench (Open Multi-Level Skills Benchmark) – двухэтапный фреймворк для всесторонней оценки больших языковых моделей в задачах программной инженерии. Цель предложенного подхода – преодолеть ограничения существующих методик, которые либо измеряют узкие подзадачи, либо применяют единый уровень сложности и не фиксируют динамику инженерного мастерства и интерактивную природу диагностического рассуждения. Описываемая система охватывает девять доменов (Back-end, Front-end, Mobile, DevOps, Data Analysis, Machine Learning, Big Data, IoT, встроенные системы) и пять уровней сложности, что позволяет стратифицировать качество по доменам и уровням. Предлагается двухэтапная процедура: Этап I – стандартизированные задания с множественным выбором и строгим форматом ответа , Этап II – сценарные задания с пошаговыми контрольными списками и независимой моделью-судьёй. Формализованы метрики Tier Accuracy и Domain Accuracy, введён интегральный показатель OPS; раскрыты переменные формулы (1). Публикуются артефакты для воспроизводимости: JSON-схемы заданий, русскоязычные шаблоны промптов и скрипт оценки eval_mc.py с описанием входных/выходных параметров. Эксперименты показывают: неоднородность качества между доменами; снижение результатов при переходе от тестов с фиксированными вариантами к сценарным задачам; детальные диагностические отчёты по невыполненным пунктам контрольных списков. OMLS-Bench может служить практическим инструментом сравнения LLM в инженерных задачах и основой для целенаправленной донастройки моделей под конкретные области. Проведённая стартовая крупномасштабная оценка десяти современных больших языковых моделей выявила чёткую стратификацию результатов по уровням сложности и по сферам: модели большего масштаба демонстрировали высокую точность в широко представленных веб-ориентированных областях, тогда как специализированные направления (мобильная разработка, встроенные системы) показали существенно худшие показатели. Эти наблюдения подчёркивают важность как размера модели, так и разнообразия предметных данных при обучении. OMLS-Bench обеспечивает воспроизводимое и расширяемое средство оценки, которое может служить основой для разработки более надёжных и предметно ориентированных моделей-помощников инженера. В перспективе планируется развитие интерактивной фазы, повышение реалистичности сценариев и доработка контрольных чек-листов для приближения тестирования к профессиональной практике

Оценка больших языковых моделей, Бенчмарк для программной инженерии, Многоуровневая оценка, Тестирование с множественным выбором, Диагностика с участием LLM (LLM-in-the-loop), Итоговый балл производительности (Overall Performance Score, OPS), Интерактивные диагностические протоколы.

1. Ануров А. О., Булгаков Г. Г., Ярушев С. А. OMLS-Bench [Электронный ресурс]. – URL: https://github.com/Blgkff/OMLS-BENCH (дата обращения: 14.06.2025).

2. D. Hendrycks et al., “Measuring Massive Multitask Language Understanding,” in Proc. Int. Conf. Learn. Represent. (ICLR), 2021. [Online]. Available: https://arxiv.org/abs/2009.03300

3. T. B. Brown et al., “Language Models are Few-Shot Learners,” Adv. Neural Inf. Process. Syst. (NeurIPS), vol. 33, pp. 1877–1901, 2020. [Online]. Available: https://arxiv.org/abs/2005.14165

4. A. Wang et al., “GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding,” in *Proc. 2019 Conf. Empir. Methods Nat. Lang. Process. 9th Int. Jt. Conf. Nat. Lang. Process. (EMNLP-IJCNLP)*, pp. 353–361, 2019. [Online]. Available: https://arxiv.org/ abs/1804.07461

5. A. Wang et al., “SuperGLUE: A Stickier Benchmark for General-Purpose Language Understanding Systems,” in Proc. 3rd Workshop Eval. Compar. NLP Syst., 2020. [Online]. Available: https:// arxiv.org/abs/1905.00537

6. S. Lu et al., “CodeXGLUE: A Machine Learning Benchmark Dataset for Code Understanding and Generation,” in Proc. 2021 Conf. Empir. Methods Nat. Lang. Process. (EMNLP), 2021. [Online]. Available: https://arxiv.org/abs/2102.04664

7. M. Chen et al., “Evaluating Large Language Models Trained on Code,” arXiv preprint arXiv:2107.03374, 2021. [Online]. Available: https://arxiv.org/abs/2107.03374

8. M. Mitchell and D. C. Krakauer, “The Debate Over Understanding in AI’s Large Language Models,” arXiv preprint arXiv:2210.13966, 2022. [Online]. Available: https://arxiv.org/abs/2210.13966

9. D. Hendrycks et al., “Aligning AI With Shared Human Values,” in Proc. Int. Conf. Learn. Represent. (ICLR), 2021. [Online]. Available: https://arxiv.org/abs/2008.02275

10. M. Suzgun et al., “Challenging BIG-Bench Tasks and Whether Chain-of-Thought Can Solve Them,” in Find. Assoc. Comput. Linguist.: ACL, pp. 4670–4685, 2022. [Online]. Available: https://arxiv.org/abs/2210.09261

11. M. Kazemi et al., “BIG-Bench Extra Hard,” arXiv preprint arXiv:2502.19187, 2025. [Online]. Available: https://arxiv.org/abs/2502.19187

12. H. Li et al., “CMMLU: Measuring Massive Multitask Language Understanding in Chinese,” in Find. Assoc. Comput. Linguist.: ACL, pp. 6543–6558, 2024. [Online]. Available: https:// aclanthology.org/2024.findings-acl.671

13. Y. Wang et al., “MMLU-Pro: A More Robust and Challenging Multi-Task Language Understanding Benchmark,” arXiv preprint arXiv:2406.01574, 2024. [Online]. Available: https://arxiv.org/ abs/2406.01574

14. L. Austin et al., “Program Synthesis with Large Language Models,” in NeurIPS Workshop Mach. Learn. Syst., 2021. [Online]. Available: https://arxiv.org/abs/2108.07732

15. K. Cobbe et al., “Training Verifiers to Solve Math Word Problems,” Adv. Neural Inf. Process. Syst. (NeurIPS), vol. 34, 2021. [Online]. Available: https://arxiv.org/abs/2110.14168

16. A. Radford et al., “Language Models are Unsupervised Multitask Learners,” OpenAI Tech. Rep., 2019. [Online]. Available: https://cdn.openai.com/better-language-models/language_models_ are_unsupervised_multitask_learners.pdf