Federico Ranaldi 등 연구진은 LLM의 지식 활용 방식을 설명하는 '프로토지식' 개념을 제시하고, 지식 활성화 작업(KAT)을 통해 이를 측정하고 분석하는 방법을 제안했습니다. 이는 LLM의 의미론적 편향을 이해하고 텍스트-SPARQL 성능을 개선하는 데 도움을 주며, 폐쇄형 사전 훈련 모델에 대한 효과적인 전략을 제공합니다.

Michele Zhu 등 연구진이 네트워크 디지털 트윈과 광선 추적 기술을 활용하여 AI 기반 실시간 시야 식별 기술을 개발했습니다. 기존 기술 대비 5~10% 향상된 정확도와 98.55% 감소된 연산 비용을 달성하여 실시간 응용에 최적화된 경량화 모델을 구현했습니다.

Qin Zhanyue 등 연구진이 제안한 LFTF 알고리즘은 LLM의 성차별 문제를 효과적으로 완화하는 동시에 성능을 유지하는 획기적인 기술입니다. GenBiasEval 및 GenHintEval 데이터셋과 AFGB-Score, UB-Score 지표는 성차별 문제의 정량적 평가를 가능하게 합니다.

본 기사는 다국어 코드 주석 생성에서 LLM의 한계를 밝힌 연구에 대해 다룹니다. 연구진은 5개의 최첨단 코드 모델을 대상으로 5개 언어의 코드 주석 생성 성능을 평가, 26가지 오류 유형과 기존 평가 지표의 한계를 발견했습니다. 12,500개의 주석 데이터셋 공개를 통해 후속 연구를 지원합니다.

Zhao Yukun 등의 연구진이 개발한 'Joint Flashback Adaptation'은 제한된 과거 데이터만을 사용하여 AI의 증분 학습 문제를 해결하는 새로운 방법입니다. 다양한 작업에서의 실험을 통해 우수성이 입증되었으며, AI의 지속적인 학습 능력 향상에 크게 기여할 것으로 예상됩니다.