Likun Zhang 등의 연구팀이 개발한 AutoMR은 다양한 센서 데이터와 모달을 처리하는 범용 시계열 동작 인식 파이프라인으로, 자동화된 하이퍼파라미터 튜닝과 QuartzNet 기반 모델을 통해 10개의 데이터셋에서 최첨단 성능을 달성했습니다. 이는 다양한 실제 응용 분야에서 움직임 인식 기술의 활용 가능성을 크게 높일 것으로 기대됩니다.

Mengqiao Liu 등 연구팀이 개발한 LLM 기반 인터뷰 시스템 CLUE는 사용자의 실시간 피드백을 수집하여 LLM에 대한 객관적인 의견을 도출합니다. 수천 명의 사용자를 대상으로 진행된 연구 결과, DeepSeek-R1에 대한 양극화된 반응과 정보 신선도 및 멀티모달 기능에 대한 요구가 확인되었습니다. 연구팀은 수집된 데이터셋을 공개하여 LLM 연구 발전에 기여할 계획입니다.

Auto-Bench는 LLM의 과학적 발견 능력을 평가하는 새로운 벤치마크로, 최첨단 LLM의 성능을 평가한 결과 문제 복잡성 증가에 따른 성능 저하를 확인하여 향후 LLM 개발의 중요한 과제를 제시했습니다.

인도 연구팀이 개발한 BERT 기반 하이브리드 추천 시스템은 대규모 대학 내 학술 협업을 혁신적으로 개선할 잠재력을 지닌 모바일 앱으로 구현되었습니다. Affinity Propagation 클러스터링 기법을 활용하여 비표시 데이터셋의 한계를 극복하고, 다양성과 관련성을 모두 충족하는 최적의 추천 성능을 달성했습니다.

Madhurima Chakraborty, Peter Pirkelbauer, Qing Yi가 이끄는 연구팀이 C++ 프로그램의 형식적 사양 검증을 위한 최초의 포괄적 데이터셋인 FormalSpecCpp를 공개했습니다. LLM을 활용하여 생성된 이 데이터셋은 프로그램 검증, 사양 추론, AI 지원 소프트웨어 개발 연구에 크게 기여할 것으로 예상됩니다.