소형 언어 모델(SLM)의 탈옥 공격 취약성에 대한 최초의 대규모 연구 결과가 발표되었습니다. 많은 SLM이 탈옥 공격에 취약하며, 모델 크기, 아키텍처, 훈련 데이터 등 여러 요인이 영향을 미친다는 사실이 밝혀졌습니다. 연구팀은 보안 설계 접근 방식의 중요성을 강조하며, 더욱 안전한 SLM 생태계 구축을 위한 방향을 제시했습니다.

본 기사는 Zhang 박사 연구팀이 개발한 SensiBoost와 KurtBoost 알고리즘을 소개합니다. 이 알고리즘은 LLM의 계층별 민감도를 분석하여 효율적인 메모리 할당을 통해 양자화 정확도를 향상시켰으며, 기존 방식보다 낮은 perplexity와 낮은 메모리 증가율을 달성했습니다.

GFlowVLM은 GFlowNets를 활용하여 VLM의 다단계 추론 능력을 향상시키는 새로운 프레임워크로, 카드 게임 및 ALFWorld 등 복잡한 작업에서 기존 방식보다 우수한 성능과 일반화 능력을 보여줍니다.

Zheng Yiting 등 연구진이 개발한 HFedCKD는 데이터 없는 지식 증류와 양방향 대조 학습을 통해 이종 연합 학습의 성능과 안정성을 크게 향상시킨 혁신적인 시스템입니다. 역확률 가중 증류(IPWD) 전략을 통해 클라이언트 간의 불균형을 해소하고, 특징 추출기와 분류기 분리 및 차별적 대조 학습을 통해 전역 모델과 개별 모델의 조화를 이루었습니다. 실험 결과, 기존 방법 대비 우수한 성능과 안정성을 확인했습니다.

Song 등(2025)의 연구는 잠재 공간에서 작동하는 LightMotion이라는 경량의 카메라 모션 시뮬레이션 방법을 제시합니다. 잠재 공간 순열 연산, 리샘플링 전략, 잠재 공간 보정을 통해 기존 방법보다 효율적이고 고품질의 비디오 생성을 달성했습니다.