Jason Jingzhou Liu 등의 연구진이 발표한 FACTR은 힘 피드백을 활용한 로봇 정책 학습 방법으로, 저렴한 양방향 원격 조작 시스템과 커리큘럼 학습 방식을 통해 기존 방식 대비 새로운 물체에 대한 일반화 성능을 43% 향상시켰습니다.

본 연구는 멀티모달 대규모 언어 모델(MLLM)의 시각적 세부 사항 인식 능력의 한계를 밝히고, 모델의 내부 상태를 활용하는 훈련 없는 시각적 개입 방법을 제안하여 MLLM의 성능을 향상시켰습니다. 이 연구는 MLLM의 실제 응용에 대한 중요한 시사점을 제공합니다.

독일 튀빙겐 대학교 연구팀의 논문을 통해 LLM의 거부 메커니즘이 단일 방향이 아닌 다차원적 구조임을 밝히고, 기울기 기반 표현 공학 접근법과 '표현 독립성' 개념을 제시하여 향후 AI 안전성 연구의 새로운 방향을 제시했습니다.

Yang Penghui 등 연구진이 개발한 LongSpec은 LLM의 추론 지연 시간을 줄이기 위해 메모리 효율적인 초안 모델, 혁신적인 위치 인덱스, 효율적인 어텐션 집계 방식을 제시합니다. 다양한 장문맥 작업에서 뛰어난 성능 향상을 보이며 LLM의 실용성을 높였습니다.

본 기사는 추론형 거대언어모델(LLM)의 최신 연구 동향을 소개합니다. 시스템 1과 시스템 2 사고의 차이점을 설명하고, 추론형 LLM이 수학 및 코딩과 같은 전문 분야에서 인간 수준의 성능을 달성한 사례를 제시합니다. 또한, 리 쫑즈 등 16명의 연구진이 발표한 논문을 바탕으로 추론형 LLM의 구축 방법, 핵심 기술, 성능 비교, 그리고 미래 발전 방향에 대한 심층적인 분석을 제공합니다.