Alan Dao와 Dinh Bach Vu 연구팀이 개발한 AlphaMaze는 LLM의 공간 지각 능력을 향상시키는 혁신적인 훈련 프레임워크입니다. SFT와 GRPO를 결합한 AlphaMaze는 합성 미로 데이터셋에서 93%의 높은 정확도를 달성하며 로봇 공학, 자율 주행 등 다양한 분야에 혁신을 가져올 가능성을 보여주었습니다.

본 연구는 ANN-SNN 변환 과정에서 발견된 '시간적 불일치' 현상을 규명하고, 이를 극복하기 위한 '두 단계 확률적 스파이킹 뉴런'을 제안하여 SNN의 성능을 획기적으로 향상시킨 연구입니다. 다양한 데이터셋에서 최첨단 성능을 달성하여 에너지 효율적인 AI 시스템 개발에 크게 기여할 것으로 예상됩니다.

Ding 등 (2025)의 연구는 언어 이해, 시각 정보, 동작 제어를 통합한 Humanoid-VLA 프레임워크를 제시하여 데이터 부족 문제를 극복하고 인간과 같은 적응력을 갖춘 인간형 로봇 제어의 새로운 가능성을 열었습니다.

Maryam Rahimi 등 연구팀은 설명 가능한 AI 기법을 활용하여 딥러닝 언어 모델의 예측 결과와 뇌 활동의 상관관계를 규명, AI와 뇌과학 간의 융합 연구에 새로운 지평을 열었습니다. 기여도 분석을 통해 뇌의 언어 처리 과정을 이해하고, AI 모델의 설명 방법의 타당성을 평가하는 새로운 프레임워크를 제시했습니다.

Sun 등 8명의 연구진이 발표한 논문 "Multi-Agent Coordination across Diverse Applications: A Survey"는 다양한 응용 분야에서의 다중 에이전트 시스템(MAS) 조정 연구의 현황과 미래 방향을 제시합니다. 4가지 핵심 질문을 통해 다양한 응용 분야를 분석하고, 인간-MAS 조정, LLM 기반 MAS, 계층적 및 분산 조정의 하이브리드화를 미래 유망 연구 방향으로 제시합니다.