He 등 연구진의 Self-GIVE는 제한된 구조적 지식을 사용하여 LLM의 연상적 사고 능력을 향상시키는 혁신적인 모델입니다. 기존 GIVE의 한계를 극복하고 소규모 LLM에서도 효과적으로 작동하며, 생물의학 질의응답 과제에서 우수한 성능을 보였습니다.

8명의 연구진이 개발한 AsynFusion은 확산 트랜스포머 기반의 새로운 프레임워크로, 비동기 처리와 협력 동기화 모듈을 통해 실시간 고품질 전신 오디오 기반 아바타 애니메이션 생성을 가능하게 합니다. 기존 기술의 한계를 극복하고, 가상현실 등 다양한 분야에 혁신적인 가능성을 제시합니다.

MolLangBench 벤치마크는 AI 기반 화학 연구의 현주소와 한계를 명확히 보여주는 중요한 연구 결과입니다. 최첨단 AI 모델조차도 기본적인 분자 인식 및 조작 작업에서 상당한 어려움을 겪고 있음을 보여주며, 더욱 발전된 AI 시스템 개발의 필요성을 강조합니다.

이경호 교수 연구팀의 생성적 UI 디자인 연구는 AI와 디자이너의 협업을 강조하며, 5가지 핵심 주제와 새로운 디자인 모델들을 제시합니다. 윤리적 고려와 효과적인 평가 기준을 제시하여 책임감 있는 AI 기반 디자인을 위한 토대를 마련했습니다.

Yingming Pu, Tao Lin, Hongyu Chen 등 연구진이 개발한 PiFlow는 LLM 기반 MAS를 활용한 과학적 발견 시스템으로, 정보이론적 프레임워크를 통해 체계적인 불확실성 감소를 달성합니다. 나노물질, 생체 분자, 초전도체 분야에서 효율성과 솔루션 품질을 크게 향상시키는 결과를 보였으며, GitHub에서 공개적으로 코드를 제공합니다.