강세일, 김진영, 김준혁, 황성재 연구팀은 대규모 비전-언어 모델(LVLMs)에서 단 몇 개의 어텐션 헤드만으로도 효과적인 시각적 근거(Visual Grounding)가 가능함을 발견했습니다. 이는 기존 방법 대비 모델 경량화 및 효율성 향상에 큰 기여를 할 것으로 예상됩니다.

Bojan Lukić의 논문은 LSTM 기반 심층 신경망을 이용한 단기 기온 예측의 가능성과 한계를 보여주는 실증 연구입니다. 파이썬 기반의 TensorFlow/Keras 환경을 활용하여 실험을 진행했으며, 단기 예측에서는 성공적인 결과를 얻었지만, 장기 예측의 어려움을 함께 제시하며 향후 연구 방향을 제시하고 있습니다.

본 기사는 기계적 해석 가능성 기법을 활용하여 LLM에 대한 새로운 적대적 공격 기법을 제시한 연구에 대해 다룹니다. 이 기법은 기존 방식보다 훨씬 빠르고 높은 성공률을 보이며, LLM 보안에 대한 심각한 우려를 제기하는 동시에 더욱 강력하고 안전한 LLM 개발의 필요성을 강조합니다.

본 연구는 7개의 주요 AI 모델을 대상으로 외교 정책 결정에 대한 편향성을 분석한 결과, 모델 간 권고 사항에 상당한 차이가 있으며 특정 국가에 대한 편향성도 존재함을 밝혔습니다. 이는 고위험 환경에서 AI 활용 시 도메인별 평가와 모델 미세 조정의 필요성을 강조합니다.

CAREVL은 이미지 캡션을 활용하여 고-저신뢰도 데이터를 효과적으로 처리하는 혁신적인 방법으로 대규모 비전-언어 모델의 보상 모델링을 개선합니다. 기존 방식보다 우수한 성능을 보이며, 데이터 효율적인 AI 모델 학습의 새로운 가능성을 제시합니다.