본 기사는 루위안 시에(Luyuan Xie) 박사 연구팀이 개발한 탈중앙화 연합 학습 프레임워크 dFLMoE를 소개합니다. dFLMoE는 중앙 서버 의존성을 제거하고 클라이언트 간 직접적인 모델 교환을 통해 지식 손실을 최소화하며, 의료 데이터 분석 분야에서 우수한 성능을 보였습니다.

마오 순치 등 연구진이 제시한 '지각 확대(PM)' 기술은 어텐션 기반의 시각 토큰 분리 및 확대를 통해 VLM의 시각적 환각 문제를 해결하고, 언어 생성 및 추론 능력을 동시에 향상시키는 혁신적인 방법입니다. GitHub에서 공개된 코드를 통해 접근 가능하며, 향후 시각-언어 모델 발전에 크게 기여할 것으로 기대됩니다.

본 연구는 LLM 개발에서 컴퓨팅 최적 스케일링 법칙이 숙련도에 따라 달라짐을 밝히고, 데이터 믹스와 검증 세트의 중요성을 강조합니다. 이는 LLM 개발에 대한 새로운 접근법을 제시하며, 숙련도별 맞춤형 컴퓨팅 자원 배분 전략의 필요성을 시사합니다.

탄기구 다다히로 등 연구진의 논문은 기존 이중 과정 이론을 넘어선 사중 과정 모델 '시스템 0/1/2/3'을 제시하여, 신체화된 인지, 집단 지능 등 다양한 시간 척도와 수준의 인지 과정을 통합적으로 이해하는 새로운 틀을 제공합니다. 이는 인지 과학, AI, 로봇 공학 등 다양한 분야에 혁신적인 영향을 미칠 것으로 예상됩니다.

본 연구는 대규모 언어 모델(LLM)의 설명 가능성 향상을 위한 새로운 평가 프레임워크와 4가지 핵심 지표를 제시하여, 다양한 XAI 기법의 성능을 비교 분석했습니다. LIME, AMV, LRP 등 각 기법의 강점과 약점을 명확히 제시하여, 향후 LLM 개발에 중요한 지침을 제공합니다.