Tao 등의 연구팀은 오프라인 안전 강화학습(OSRL)의 장기적 안전성 문제를 해결하기 위해 FASP 프레임워크를 제안했습니다. Hamilton-Jacobi 분석과 CVAE 기반 비관적 추정을 결합하여 높은 안전성과 효율성을 달성했으며, 실험 결과 최첨단 알고리즘을 능가하는 성능을 보였습니다.

Zhou Yuqi 등 연구진의 GUI-G1 논문은 R1-Zero 방식을 GUI 에이전트에 적용하는 과정에서 발생하는 문제점들을 분석하고, Fast Thinking Template, Box Size Constraint, 난이도 고려 RL 목적 함수 수정 등의 혁신적인 해결책을 제시하여 GUI grounding 분야에서 새로운 최첨단 기술을 달성했습니다.

Carlos Rodriguez-Pardo 등 연구진의 논문 "Neural Conditional Transport Maps"는 하이퍼네트워크 기반의 조건부 최적 수송(OT) 맵 학습 프레임워크를 제시하여 전역 민감도 분석 등 다양한 분야에 적용 가능성을 보여주었습니다. 이 연구는 AI의 설명 가능성 증진 및 고차원 영역에서의 OT 원리 적용 확장에 기여할 것으로 기대됩니다.

중국 연구진이 개발한 VerifyBench는 대규모 언어 모델의 추론 능력을 평가하는 새로운 벤치마크로, 기존 벤치마크의 한계를 극복하고 참조 기반 보상 시스템의 정확성을 평가하는 데 초점을 맞췄습니다. 현재 모델들의 개선 여지와 소규모 모델의 중요성을 강조하며, AI 연구의 새로운 방향을 제시합니다.

Danna Zheng, Mirella Lapata, Jeff Z. Pan 연구팀은 LLM의 환각 문제 해결을 위해 MontageLie 벤치마크와 DoveScore 프레임워크를 제시했습니다. MontageLie는 사실의 조합을 통해 허위 정보를 만들어내는 공격을 시뮬레이션하고, DoveScore는 사실의 정확성과 순서 일관성을 동시에 검증하여 기존 방법보다 성능을 향상시켰습니다. 이 연구는 더욱 정교하고 견고한 정보 정렬 평가를 위한 중요한 발걸음입니다.