본 기사는 Wu Qi 등 연구진의 소셜봇 탐지 모델에 대한 연구를 소개합니다. 기존 모델의 한계를 극복하기 위해 불확실성 추정과 강건한 멀티모달 신경 과정(RMNP)을 제안하며, 실제 데이터셋을 통해 그 효과를 검증했습니다.

Zhao와 Schwing의 연구는 분류기 중심 관점에서 분류기 없는 안내(Classifier-free guidance)를 재해석하여 잡음 제거 확산 모델의 조건부 이미지 생성 성능을 향상시키는 새로운 방법을 제시했습니다. 결정 경계를 중심으로 한 분석과 Flow-matching 기반 후처리 단계를 통해 실질적인 성능 개선을 달성했습니다.

Li Zhaoyi 등 연구진의 논문은 상용 LLM에 대한 효과적인 공격 방법을 제시하며, GPT-4.5, GPT-4o, o1 등 최첨단 모델에서 90% 이상의 성공률을 달성했습니다. 의미론적 세부 정보에 집중한 국소적 변형 기법을 통해 기존 방법의 한계를 극복하고, AI 보안 연구에 새로운 이정표를 세웠습니다.

본 연구는 마인크래프트 환경에서 구현된 AI 에이전트의 자신감 추정에 대한 최초의 연구로, '추정 정책'과 '실행 정책'을 통해 자신감 보정을 시도했습니다. Chain-of-Thoughts와 같은 구조적 추론이 효과적임을 확인했지만, 귀납적 상황에서의 불확실성 구분은 여전히 과제로 남았습니다.

홍콩 중문대학교 연구팀이 개발한 SciVerse는 거대 다중 모달 모델(LMMs)의 과학적 문제 해결 능력을 평가하는 새로운 벤치마크입니다. 5가지 버전, 5735개의 테스트 케이스를 통해 LMMs의 과학적 지식 이해, 다중 모달 콘텐츠 해석, 사고 연쇄(CoT) 추론 능력을 종합적으로 평가하며, 새로운 과학적 CoT 평가 전략을 통해 모델의 한계와 향후 발전 방향에 대한 통찰을 제공합니다.