Zhou Jiajun 등 연구진이 개발한 QuZO 프레임워크는 저정밀도 양자화를 통해 대규모 언어 모델의 메모리 사용량과 지연 시간을 효과적으로 줄이면서, 기존 방법보다 높은 정확도를 달성했습니다. 이는 에너지 효율적인 AI 시스템 구축에 중요한 진전을 의미하며, 모바일 및 IoT 기기 등 다양한 분야에서 LLM의 활용 가능성을 크게 확대할 것으로 기대됩니다.

Artem Riabinin, Ahmed Khaled, Peter Richtárik 세 연구자는 비볼록 최적화 문제에 대한 새로운 통합적 매개변수 가정을 제시하여 기존 이론의 한계를 극복하고, 결정론적 및 확률적 최적화에 대한 통합 수렴 정리를 증명했습니다. 매개변수 조정을 통해 다양한 함수 클래스를 포괄하고 실험적 검증을 통해 실용성을 확인했습니다. 이는 머신러닝 발전에 크게 기여할 것으로 기대됩니다.

본 기사는 LLM 기반의 다중 사용자 정보 수집 협업 시스템 평가를 위한 새로운 벤치마크 PeopleJoin에 대해 소개합니다. PeopleJoin은 실제 협업 환경을 반영하여 표 형태 데이터 질문응답과 문서 생성 두 가지 영역에서 AI 에이전트의 성능을 평가하며, 향후 AI 협업 시스템 발전에 중요한 역할을 할 것으로 예상됩니다.

과학적 기계 학습(SciML) 기반의 신경 상태 공간 모델(NSSM)과 강화 학습(RL)을 활용하여 TCV 토카막의 플라즈마 감소 과정을 효율적이고 안전하게 제어하는 기술을 개발했습니다. 실험 결과, 플라즈마 종료 시 전류 및 에너지 향상, 그리고 예측 정확도를 통한 안전한 플라즈마 운영이 가능함을 입증했습니다. 이는 미래 핵융합로의 안정적 운영에 중요한 의미를 갖습니다.

Li 등(2025)의 연구는 '웜업' 시퀀스 생성을 통해 기존 시퀀스-투-시퀀스 학습의 한계를 극복하는 새로운 방법을 제시합니다. 강화학습 원리를 활용하여 작업과 무관하게 중간 단계를 최적화함으로써, 모델의 성능과 일반화 능력을 향상시켰습니다.