Аннотация. В статье представлен обзор ключевых методов и моделей машинного обучения по состоянию на конец 2025 года, а также предложена их классификация. Рассмотрены основные тренды ведущих международных конференций, таких как NeurIPS 2025, ICML 2025 и ICLR 2025. Особое внимание уделено таким направлениям, как State Space Models, Offline и Counterfactual Reinforcement Learning, Federated и Continual Learning, компактные эффективные модели и мультимодальные системы. Анализ индустриальных отчетов показал доминирование принципов efficiency-first и privacy-by-design. В условиях ограниченных ресурсов приоритет отдается архитектурам, способным работать с длинными последовательностями без передачи сырых данных. Научная новизна исследования заключается в разработке новой модели классификации, основанной на показателях производительности, энергопотребления, безопасности и конфиденциальности, а также в экспериментальном подтверждении преимуществ гибридных подходов. Такие модели обеспечивают баланс между точностью, скоростью и конфиденциальностью в децентрализованных и долгосрочных системах. Практическая значимость работы состоит в формировании конкретных рекомендаций по выбору и комбинированию моделей при создании интеллектуальных систем различного масштаба и назначения.

Ключевые слова: машинное обучение, State Space Models, Mamba, Federated Learning, Continual Learning, малые языковые модели, гибридные архитектуры.