본 기사는 중국과학원 자동화연구소 연구진이 개발한 혁신적인 검색 기반 에이전트 모델 O$^2$-Searcher에 대해 소개합니다. O$^2$-Searcher는 강화학습 기반으로 개방형 및 폐쇄형 질문에 효과적으로 대응하며, 새로운 벤치마크 O$^2$-QA를 통해 그 성능을 입증했습니다. 3B 모델임에도 불구하고 기존 LLM 에이전트들을 능가하는 성능을 보이며, 다양한 분야에서의 혁신적인 활용 가능성을 제시합니다.

본 연구는 정책 증류와 앙상블 학습을 결합하여 강화학습의 일반화 성능을 향상시키는 방법을 제시합니다. 이론적 분석과 실험적 검증을 통해 앙상블 기법과 풍부한 데이터 활용의 중요성을 강조하며, 향후 강화학습의 실용성 확대에 기여할 것으로 기대됩니다.

Siqu Ou 등 연구진이 개발한 D2R 프레임워크는 훈련 없이 동적 시각 정보를 활용하여 다중 모달 대형 언어 모델의 동적 공간 추론 능력을 향상시킵니다. 새로운 벤치마크 GRASSLAND를 통해 그 성능이 검증되었으며, 자율주행 및 로봇 제어 등 다양한 분야에 응용될 가능성을 제시합니다.

본 기사는 LLM 기반 상호작용적 전력 수요 예측 시스템에 대한 연구 결과를 소개합니다. 기존 AI 기반 예측 시스템의 한계를 극복하고, 인간 운영자의 경험과 AI의 능력을 결합하여 예측 정확도를 높인 이 시스템은 실제 현장 적용 가능성과 경제성을 모두 갖추고 있어, 지속 가능한 에너지 시스템 구축에 기여할 것으로 기대됩니다.

본 논문은 AI 워크로드 증가로 인한 데이터센터의 전력 수요 변화가 전력 시스템 안정성에 미치는 영향을 분석하고, UPS, 냉각 부하, 맥박성 부하를 고려한 새로운 동적 부하 모델을 제안합니다. 아일랜드 전력 시스템을 대상으로 한 실증 결과를 통해 제안된 모델의 효과성을 확인하였습니다.