Pengfei Du가 개발한 OmniNova는 LLM과 특수 도구를 결합한 다중 에이전트 자동화 프레임워크로, 계층적 아키텍처, 동적 작업 라우팅, 다층화된 LLM 통합 시스템을 통해 작업 완료율, 효율성, 결과 품질을 크게 향상시켰습니다. 50개의 복잡한 작업 평가에서 탁월한 성능을 입증했습니다.

왕지우치, 로한 찬드라, 장상통 연구팀은 경험 재현과 Transformer를 이용하여 딥러닝의 지속적 학습 과정에서 발생하는 가소성 상실 문제를 해결하는 획기적인 연구 결과를 발표했습니다. 기존 딥러닝 구조의 변경 없이도 회귀, 분류, 정책 평가 등 다양한 과제에서 효과를 입증하며, 인공지능의 학습 능력 향상에 크게 기여할 것으로 예상됩니다.

Yimeng Min과 Carla P. Gomes가 개발한 PLUME search는 비지도 학습 기반의 새로운 조합 최적화 프레임워크로, 이차 할당 문제에서 우수한 성능과 일반화 능력을 보였습니다. 이는 다양한 분야의 최적화 문제 해결에 혁신적인 가능성을 제시합니다.

새로운 벤치마크 LEGO-Puzzles를 통해 평가한 결과, 최신 MLLM의 공간 추론 능력은 인간 수준에 크게 미치지 못하는 것으로 나타났습니다. 이 연구는 MLLM의 한계를 보여주고, 향후 공간 추론 분야의 발전 방향을 제시합니다.

ExCoT 프레임워크는 CoT와 DPO를 결합하여 실행 정확도만을 피드백으로 활용, LLaMA-3 70B 및 Qwen-2.5-Coder 모델에서 BIRD와 Spider 데이터셋 모두 최고 성능을 달성하며 Text-to-SQL 분야의 혁신을 이끌었습니다.