Yang 등의 연구는 LLM 기반 MAS의 효율적인 협업을 위한 토폴로지 구조 학습의 중요성을 강조하고, 에이전트 선택, 구조 프로파일링, 토폴로지 합성의 3단계 프레임워크를 제시합니다. 다양한 AI 기술을 통합하여 실제 응용 분야에서 MAS의 잠재력을 극대화하고, 향후 다중 시스템 평가에 대한 새로운 도전과 기회를 제시합니다.

중국과학원 자동화연구소 연구팀의 연구는 Speculative decoding과 Quantization의 통합을 시도하며, 4비트 가중치 양자화 모델에서 발생하는 계산 비용 증가 문제를 계층적 프레임워크를 통해 해결하여 LLM 추론 속도를 최대 2.78배 향상시켰습니다.

SplitLoRA는 기울기 공간 분할을 통해 지속적 학습(Continual Learning)에서 안정성과 가소성을 균형 있게 향상시킨 새로운 방법입니다. 기존 방식의 한계를 극복하고, Low-Rank Adaptation을 기반으로 최적의 기울기 공간 분할을 제시하여 최첨단 성능을 달성했습니다.

NegVQA 벤치마크는 VLM의 부정 이해 능력을 평가하기 위해 LLM을 활용하여 구축되었으며, 평가 결과 VLM의 부정 이해 능력에 대한 중요한 한계를 드러냈습니다. 모델 크기 증가와 성능 간의 U자형 관계는 향후 VLM 개발에 중요한 시사점을 제공합니다.

알리샤 스리바스타바 등 연구진의 논문은 대규모 언어 모델(LLM)의 놀라운 교차 언어 기억 능력을 밝혔습니다. OWL 데이터셋을 이용한 실험 결과, GPT-4o 모델은 새롭게 번역된 구절에서도 저자와 제목을 69%의 높은 정확도로 식별했습니다. 이는 LLM의 잠재력과 다국어 처리 기술 발전에 중요한 의미를 갖습니다.