중국과학원 자동화연구소 연구팀이 개발한 LIGER는 훈련이 필요 없는 새로운 장기간 시각적 지시 생성 프레임워크로, 자기 반성 메커니즘을 통해 이미지의 일관성과 정확성을 높였습니다. 새로운 벤치마크를 통해 기존 방법보다 우수한 성능을 검증하였으며, 인간과 AI의 협업 향상에 크게 기여할 것으로 기대됩니다.

CyberLLMInstruct 데이터셋을 활용한 연구 결과, LLM의 사이버 보안 분야 적용 시 성능 향상과 안전성 보장 간의 상충 관계가 드러났습니다. 파인튜닝은 성능 향상에 기여하지만 동시에 안전성을 저해할 수 있다는 점을 보여주며, 안전한 AI 시스템 개발을 위한 지속적인 연구의 필요성을 강조합니다.

LISTIC 연구팀이 개발한 Falafels는 이산 시뮬레이션 기반의 에너지 소비 예측 도구로, Federated Learning 시스템의 에너지 효율을 극대화하는 데 기여할 것으로 예상됩니다. 진화 알고리즘을 활용하여 최적의 시스템 구성을 찾아내는 혁신적인 기능을 제공합니다.

CODEI 프레임워크는 자율주행 자동차의 자원 효율적인 설계를 위한 혁신적인 접근 방식을 제시합니다. 인지와 의사결정의 공동 설계를 통해 제한된 자원 내에서 최적의 성능을 달성하며, 실제 자율주행 시나리오를 통한 사례 연구로 그 실효성을 입증했습니다.

중국과학원 SusCom 연구소의 연구팀이 개발한 ZSMerge는 LLM의 메모리 효율을 획기적으로 높이는 기술로, LLaMA2-7B 모델에 적용하여 메모리 사용량을 5%로 줄이고 처리 속도를 3배 향상시켰습니다. 정보 손실 없이 효율성을 높인 ZSMerge는 향후 AI 시스템 발전에 큰 영향을 미칠 것으로 예상됩니다.