상하이 교통대학교 연구팀은 혼합 정수 계획법을 활용한 자동 병렬화 계획 프레임워크를 개발하여, 대규모 딥러닝 모델의 분산 학습 및 추론 효율을 획기적으로 향상시켰습니다. 전문가 수준의 성능을 보이며 계산 병목 현상을 절반으로 줄이는 등 놀라운 결과를 보여주었습니다.

Ye Zhoutong 등 연구진이 개발한 MOAT 벤치마크는 복잡한 실제 세계 작업에서 거대 다중 모달 모델(LMM)의 한계를 드러냈습니다. 인간의 성능(82.7%)과 최고 LMM(38.8%)의 차이는 LMM의 지능 수준 향상을 위한 지속적인 연구개발의 필요성을 강조합니다. MOAT는 LMM의 10가지 기본 VL 기능을 평가하여 향후 모델 개선에 중요한 정보를 제공합니다.

LLM을 안전 평가자로 사용하는 것은 편향과 인공물에 취약하며, 크기가 클수록 안전한 것은 아닙니다. 배심원 평가 방식이 일부 개선을 가져오지만, 완벽한 해결책은 아닙니다. 다양하고 인공물에 강한 안전 평가 방법론 개발이 시급합니다.

본 기사는 고령화 사회에서의 서비스 로봇 중요성 증대와 기존 HRI 시스템의 한계를 지적하며, 음성과 자세 기반의 혁신적인 HRI 시스템인 NVP-HRI를 소개합니다. Zero-shot 학습을 통해 새로운 물체에도 적용 가능하고, 실제 작업 환경 평가에서 기존 시스템 대비 최대 59.2%의 효율성 향상을 보였습니다. 오픈소스 공개를 통해 더 큰 발전을 이끌 것으로 기대됩니다.

본 기사는 사이버 보안 분야에 LLM을 적용하는 과정에서 발생할 수 있는 안전성 문제를 해결하기 위해 개발된 CyberLLMInstruct 데이터셋과 그 연구 결과를 소개합니다. 연구 결과는 LLM의 미세 조정이 성능 향상과 함께 안전성 저하를 야기할 수 있음을 보여주며, 안전성과 성능 사이의 균형을 찾기 위한 추가 연구의 필요성을 강조합니다.