Pei Yang, Qi Tan, Guihua Wen 세 연구원이 발표한 논문 "Partial Distribution Alignment via Adaptive Optimal Transport"는 기존 최적 수송 이론의 한계를 극복하는 적응형 최적 수송 방법을 제시하여, 실제 데이터의 복잡성을 고려한 부분적이고 적응적인 분포 정렬을 가능하게 합니다. 도메인 적응 벤치마크에서 기존 최고 성능 알고리즘을 능가하는 결과를 보였으며, AI 분야에 중요한 발전을 가져올 것으로 기대됩니다.

체코 과학자들이 순차적 3D 프린팅의 최적화 문제를 선형 대수 모델과 CEGAR 기법을 활용하여 효율적으로 해결하는 새로운 알고리즘을 개발했습니다. SMT 솔버를 이용하여 객체 배치와 출력 순서를 최적화함으로써, 3D 프린팅 효율성을 크게 향상시킬 수 있는 가능성을 제시했습니다.

마이크로소프트 연구진이 개발한 PromptPex는 LLM 기반 자동화된 프롬프트 테스트 생성 도구로, 프롬프트의 안정성과 다양한 모델에서의 유효성 검증에 기여합니다. 오픈소스로 공개되어 AI 시스템의 신뢰성 향상에 기여할 것으로 기대됩니다.

중국과학원 연구팀이 제시한 용량 인식 추론(Capacity-Aware Inference) 기법은 MoE 모델의 '낙오자 효과'를 해결하여 추론 효율을 크게 향상시켰습니다. Capacity-Aware Token Drop과 Capacity-Aware Token Reroute 두 가지 기술을 통해 토큰 분배의 균형을 맞추고, 실험 결과 0.2%의 성능 향상과 1.94배의 속도 향상을 달성했습니다. 이는 LLM의 실용성을 높이는 중요한 연구 성과입니다.

시각-언어 모델(VLMs) 기반의 정밀 로봇 조작 프레임워크 연구는 복잡한 작업을 하위 작업으로 분해하고, 다양한 데이터 구조를 활용하여 실시간 피드백 기반의 동적 계획 조정 및 오류 수정 기능을 제공함으로써 로봇의 정밀 작업 수행 능력을 크게 향상시켰습니다.