중국 연구진이 개발한 PsyCrisisBench 벤치마크를 통해 64개의 LLM을 평가한 결과, 자살 위험 감지 등에서 높은 성능을 보였으나 기분 상태 인식은 어려움을 보였습니다. 오픈소스 모델의 성능 향상과 양자화 기술 발전으로 AI 기반 심리 위기 상담의 현실적 적용 가능성이 높아졌습니다.

본 기사는 Zenghao Guan 등 연구진이 개발한 STSA(Spatial-Temporal Statistics Aggregation)와 STSA-E 알고리즘에 대해 소개합니다. STSA는 분산 데이터 환경에서의 연합 클래스 증분 학습(FCIL) 문제를 해결하기 위한 혁신적인 접근 방식으로, 공간-시간 통계 집계를 통해 데이터 이질성 문제를 해결하고 계산 및 통신 오버헤드를 줄입니다. STSA-E는 더욱 향상된 통신 효율성을 제공합니다. 실험 결과 STSA는 기존 최고 성능 FCIL 방법들을 능가하는 결과를 보여주었습니다.

레노버 연구팀이 개발한 ORMind는 인지적 추론 기반의 최적화 프레임워크로, 기존 LLM의 한계를 극복하고 산업 현장 적용 가능성을 높였습니다. NL4Opt 및 ComplexOR 데이터셋에서 뛰어난 성능 향상을 기록하였으며, 레노버 AI 어시스턴트에 통합되어 상용화될 예정입니다.

Yanjun Fu, Faisal Hamman, Sanghamitra Dutta 등 연구진이 개발한 T-SHIRT는 LLM의 지시 조정 효율성을 극대화하는 혁신적인 데이터 선택 프레임워크입니다. 토큰 단위의 정보성과 샘플 간 일관성을 고려하여 원본 데이터의 5%만으로도 기존 최고 성능을 능가하는 결과를 달성했습니다.

멀티모달 대규모 언어 모델(MLLM)의 새로운 보안 취약점이 발견되어, 이미지와 텍스트의 상호작용을 이용한 공격이 가능함이 밝혀졌습니다. 이는 기존 안전 메커니즘의 한계를 드러내며, MLLM의 안전성 강화를 위한 시급한 대응을 요구합니다.