Zhou 등의 연구는 기존 다중 작업 모델링의 복잡성을 해결하기 위해 훈련된 단일 작업 모델을 자동으로 융합하는 새로운 방법을 제시합니다. 모델 분해 기법과 Transformer 기반 AKF 모듈을 활용하여 다양한 모델의 효율적 통합과 작업 간 시너지 극대화를 달성, 실험을 통해 그 효과를 검증했습니다.

본 기사는 다중 모달 대규모 언어 모델(MLLM)의 시각화 질문 답변 능력 평가의 한계를 지적하고, 시각적 처리와 사전 지식 활용의 영향을 구분하는 새로운 검증 프레임워크를 제안하는 연구를 소개합니다. MLLM이 시각 정보를 실제로 '이해'하는지, 아니면 단순히 기존 지식을 활용하는지 정확히 평가하는 것이 AI 시스템의 신뢰성 향상에 필수적임을 강조합니다.

본 기사는 에지 디바이스를 위한 컴팩트한 다중 작업 모델을 구축하는 혁신적인 프루닝 기법인 CUT에 대해 다룹니다. CUT은 사전 훈련된 다중 작업 모델을 효율적으로 활용하여 에지 디바이스의 성능 저하 없이 다양한 작업을 수행할 수 있도록 합니다. 실험 결과를 통해 그 우수성이 입증되었으며, 에지 AI 분야의 발전에 크게 기여할 것으로 기대됩니다.

Cai 등(2025)의 연구는 소규모 추론 LLM 훈련을 위한 혁신적인 프레임워크 CRV와 CogPO 알고리즘을 제시합니다. CRV는 비판, 재고, 검증의 과정을 통해 효율적인 추론 과정을 구축하고, CogPO는 인지적 선호도 정렬을 통해 작은 모델의 추론 능력을 향상시킵니다. 다양한 벤치마크에서 우수한 성능을 입증하며 소규모 LLM 분야의 새로운 가능성을 열었습니다.

Zhou Jingxuan 등 연구진이 개발한 M-Fed는 인코더-디코더 구조를 활용하여 다양한 작업을 수행하는 클라이언트 간의 협업을 가능하게 하는 혁신적인 연합 학습 프레임워크입니다. 경량화 및 모듈화를 통해 효율성을 유지하면서 작업 내/간 지식 공유를 실현하여 다중 작업 연합 학습의 성능을 크게 향상시켰습니다.