LADDER 프레임워크를 이용한 자가 지도 학습은 AI의 문제 해결 능력을 획기적으로 향상시켰습니다. 수학 문제 풀이 실험에서 Llama 3.2 3B 모델의 정확도는 1%에서 82%로 증가했고, Qwen2.5 7B 모델은 MIT 적분 경시대회에서 90%의 정확도를 달성하며 OpenAI o1 모델을 능가했습니다. 이는 AI가 인간의 개입 없이 스스로 학습하고 발전할 수 있는 가능성을 보여주는 중요한 연구 결과입니다.

Shashank Gupta 등 연구진이 개발한 LOOP 알고리즘은 REINFORCE와 PPO의 장점을 결합하여 텍스트-이미지 확산 모델 미세 조정의 효율성과 성능을 크게 향상시켰습니다. 계산 비용을 줄이면서도 우수한 성능을 달성하여 텍스트-이미지 생성 분야의 발전에 크게 기여할 것으로 예상됩니다.

본 연구는 비전-언어 모델(VLM)의 이미지 이해 능력을 활용하여 오프라인 강화학습(RL) 에이전트의 성능을 향상시키는 새로운 방법론인 '서브-트래젝토리 필터링 최적화'를 제시합니다. 간단한 '필터링 및 가중 행동 복제' 방법의 효과를 입증하고, 실패 이전 서브-트래젝토리 제거를 통해 강건성을 높인 '서브-트래젝토리 필터링 행동 복제'를 제안합니다. 이는 향후 RL 분야 발전에 중요한 기여를 할 것으로 기대됩니다.

MAPS 플랫폼은 AI 기반 광자 시뮬레이션 및 역설계 분야의 획기적인 발전으로, 기존 방식의 한계를 극복하고 광자 하드웨어 최적화 및 과학적 기계 학습의 혁신을 가속화할 것으로 기대됩니다.

Onur Boyar 등 연구팀이 개발한 LLM-Fusion은 거대 언어 모델을 활용한 다중 모달 융합 모델로, 기존 방식보다 정확도 높은 소재 특성 예측을 가능하게 하여 신소재 발견 과정의 혁신을 가져올 것으로 기대됩니다.