다중모달 대규모 언어 모델(MLLM)이 시각적 수학 문제 해결에 어려움을 겪는다는 연구 결과가 발표되었습니다. 특히 기본적인 도형 인식에서조차 낮은 정확도를 보이며, 시각적 큐를 활용한 사고 과정(VC-CoT) 프롬프팅을 통해 성능 개선이 가능함을 시사합니다. 이는 MLLM의 시스템 2 추론 능력 향상을 위한 새로운 연구 방향을 제시합니다.

Q-PETR은 자율주행을 위한 멀티뷰 3D 객체 탐지 기술의 정확도와 효율성을 획기적으로 개선한 기술로, 위치 인코딩 변환과 적응적 양자화 전략을 통해 기존 방식의 한계를 극복하고 탑재 장치 배포에 적합한 솔루션을 제공합니다.

우성현 등 연구팀이 개발한 PaCA는 기존 PEFT의 한계를 극복한 혁신적인 파인튜닝 기법으로, 대규모 언어 모델의 훈련 시간과 메모리 사용량을 크게 줄이며, 높은 정확도를 유지합니다. LLaMA3.1-70B와 같은 거대 모델에도 적용 가능하며, GPU 및 HPU 환경에서 모두 효율성을 입증했습니다.

본 연구는 기존 퍼지 집합의 한계를 극복하고 의사결정자의 참여를 극대화하는 새로운 IT2FS 구축 방법을 제시합니다. 수정된 카드덱 방법을 활용하여 주관적 판단의 불확실성을 효과적으로 모델링하고, 다기준 의사결정 문제에 적용 가능한 IT2FS 모델을 개발함으로써 퍼지 의사결정의 신뢰성과 효율성을 향상시킵니다.

An Junyi 등 연구진이 개발한 EMPP는 기존 GNN의 한계를 극복하는 새로운 자기 지도 학습 방식으로, 위치 예측을 통해 양자역학적 특징 학습을 강화하고 물리적 특성을 더욱 정확하게 파악합니다. 실험 결과 최첨단 성능을 입증하였고, 코드 또한 공개되어 학계 및 산업계에 큰 영향을 미칠 것으로 예상됩니다.