Chengcheng Wang 등 연구팀이 개발한 Circle-RoPE는 기존 RoPE의 모달 간 위치 편향 문제를 해결하기 위해 이미지 토큰을 원형 궤적에 매핑하는 새로운 위치 인코딩 기법입니다. PTD 지표를 활용하여 효과를 측정하고, 계층적 RoPE 전략을 통해 성능을 향상시켰습니다. GitHub에 공개된 코드를 통해 향후 연구에 기여할 것으로 기대됩니다.

AutoMCQ는 GenAI를 활용하여 코드 이해력 질문을 자동 생성하는 시스템으로, 기존 수동 방식의 문제점을 해결하고 학생들의 코드 이해도 향상과 부정행위 방지에 기여할 것으로 기대됩니다.

송진 등 연구진이 개발한 RecInter 플랫폼은 사용자 상호작용을 실시간으로 반영하는 에이전트 기반 시뮬레이션을 통해 추천 시스템 연구의 새로운 가능성을 제시합니다. 다차원 사용자 프로파일링과 LLM 기반의 고급 시뮬레이션 기술로 현실적인 시스템 진화를 모사하고, 브랜드 충성도 및 매튜 효과 등 새로운 현상을 재현하여 추천 시스템 연구의 혁신을 이끌고 있습니다.

$I^2G$는 텍스트 기반의 절차적 지침을 시각적 설명으로 변환하는 AI 모델로, 긴 지시문도 정확하게 이해하고 일관성 있는 시각 자료를 생성합니다. 세 가지 핵심 혁신과 실험 결과를 통해 기존 모델보다 우수한 성능을 입증했습니다.

일본 연구팀의 연구 결과, CLIP으로 학습된 AI 모델은 인간의 사물 인식과 세밀한 수준까지 유사하며, 자기 지도 학습 모델은 대략적인 범주 구조를 잘 파악하지만 세밀한 수준에서는 한계를 보임. Gromov-Wasserstein Optimal Transport 기법을 활용한 정교한 비교 분석이 핵심.