본 논문은 저비용, 튜닝이 필요 없는 In-context learning(ICL) 기반의 새로운 LLM 정렬 방법인 RIDE를 제시합니다. ICL 데모의 스타일을 분석하고 재구성하여 LLM의 사실성과 안전성을 개선, Alpaca, Just-eval, MT-Bench 데이터셋에서 성능 향상을 확인했습니다. GitHub에 코드와 데이터를 공개하여 후속 연구를 지원합니다.

본 논문은 오디오-비주얼 분할(AVS) 모델의 시각적 편향 문제를 밝히고, 이를 해결하기 위한 새로운 벤치마크와 접근 방식을 제시합니다. 실험 결과, 제안된 방법은 기존 모델보다 훨씬 뛰어난 성능과 견고성을 보여주었으며, 향후 AVS 기술 발전에 중요한 기여를 할 것으로 예상됩니다.

본 연구는 LLM이 인간의 다양한 추론 방식을 모방할 수 있는지에 대한 실험을 통해, 성격 기반 프롬프트와 유전 알고리즘의 결합이 AI의 '인간다움'을 향상시키는 데 효과적임을 밝혔습니다. 특히 오픈소스 모델이 독점 모델보다 더 나은 성능을 보였습니다.

Yuan et al.(2025)의 연구는 LLM의 텍스트 길이 제어(LCTG) 능력 향상을 위해 MarkerGen이라는 새로운 플러그 앤 플레이 방식을 제안합니다. 외부 도구 통합, 동적 마커 사용, 3단계 생성 방식을 통해 기존 방식의 한계를 극복하고, 뛰어난 효율성과 일반화 성능을 보여줍니다.

본 기사는 김세인 등 연구진의 논문 "Lost in Sequence: Do Large Language Models Understand Sequential Recommendation?"을 바탕으로 LLM 기반 추천 시스템의 순차 정보 활용 문제와 이를 해결하는 LLM-SRec 모델에 대해 소개합니다. LLM-SRec은 경량화된 학습으로 최고 성능을 달성, 실용성을 높였으며, GitHub를 통해 공개되어 AI 추천 시스템 발전에 기여할 것으로 기대됩니다.