Jin 등의 연구진은 강화학습을 이용해 추론과 검색을 결합하는 LLM 기반 검색 에이전트를 개발했습니다. 보상 설계, LLM의 특징, 검색 엔진의 선택이 에이전트 성능에 중요한 영향을 미치는 것을 밝히고, 실제 응용을 위한 중요한 지침을 제시했습니다. Github에서 공개된 코드를 통해 더 많은 연구가 활성화될 것으로 기대됩니다.

본 기사는 그래프 기반 거대 언어 모델(GFMs)에 대한 최신 연구 동향을 소개합니다. 19명의 연구자들이 발표한 논문 'Graph Foundation Models: A Comprehensive Survey'를 바탕으로 GFMs의 핵심 구성 요소, 분류, 이론적 기반 및 미래 방향을 분석하여 GFMs의 잠재력과 중요성을 강조합니다.

Guo Ke 등 연구진의 iPad 프레임워크는 제안 중심의 접근 방식으로 기존 E2E 자율 주행 시스템의 한계를 극복, 효율성과 성능을 동시에 향상시킨 혁신적인 기술입니다. NAVSIM 및 CARLA Bench2Drive 벤치마크에서 최첨단 성능을 기록했지만, 안전성 확보는 지속적인 연구 과제입니다.

AI 기반 심리 치료 에이전트의 위험을 체계적으로 평가하는 새로운 분류 체계가 제안되었습니다. 이는 기존 평가 방법의 한계를 극복하고, AI 심리 치료의 안전성과 책임 있는 혁신을 위한 중요한 발걸음입니다. 하지만 AI의 한계를 인지하고, 인간 전문가와의 협력을 통해 AI를 안전하고 효과적으로 활용하는 것이 중요합니다.

Ziliang Wang 등 연구진이 개발한 StepSearch는 단계별 근접 정책 최적화를 통해 LLM의 검색 능력을 크게 향상시킨 프레임워크입니다. 세밀한 단계별 감독과 적은 학습 데이터만으로도 괄목할 만한 성능 향상을 달성하여, 향후 LLM 발전에 중요한 기여를 할 것으로 기대됩니다. 소스 코드 또한 공개되어 있어 더 많은 연구와 활용이 가능합니다.