얀젠하오 등 8명의 연구원이 개발한 LUFFY는 오프-폴리시 추론 트레이스를 활용하여 기존 온-폴리시 RLVR의 한계를 극복한 혁신적인 AI 추론 모델입니다. 수학 벤치마크 및 분포 외 작업에서 우수한 성능을 보이며, AI 추론 분야의 새로운 가능성을 제시합니다.

Van-Giang Trinh 등 연구진의 논문 "On the Boolean Network Theory of Datalog$^\neg$"는 Datalog$^\neg$와 부울 네트워크 이론 간의 연결을 밝히고, 홀수/짝수 사이클과 모델의 존재 및 유일성, 피드백 정점 집합과 모델 개수의 상한, 트랩 공간과 정규 모델의 동등성을 제시하는 등 Datalog$^\neg$ 이론에 혁신적인 발견을 제시했습니다.

본 기사는 LLM 기반 다중 에이전트 시스템(LaMAS)의 성능 향상을 위한 혁신적인 방법인 MARFT(Multi-Agent Reinforcement Fine-Tuning)에 대한 최신 연구 결과를 소개합니다. Flex-POMDP와 LaMAS 특화 알고리즘 프레임워크를 통해 실제 응용 분야에서의 효율성을 높였으며, 오픈소스 공개를 통해 연구 확산에 기여하고 있습니다.

본 연구는 RAG 모델의 사실 불일치 문제를 해결하기 위해 AlignRAG 프레임워크를 제시합니다. 상호 대조적 비판 합성 메커니즘과 Critic Language Model(CLM)을 활용하여 증거 기반 추론의 정확성을 높였으며, 실험 결과 기존 모델 대비 성능 향상을 확인했습니다.

LLM 기반 자기 개선형 코딩 에이전트 연구 결과 발표. 자율적 코드 수정을 통해 17~53% 성능 향상 달성. 데이터 효율적인 비-경사 기반 학습 메커니즘 활용.