본 기사는 거대언어모델(LLM)의 안전성 향상을 위한 새로운 연구 결과를 소개합니다. 기존의 거절 훈련(RT) 방식의 한계를 극복하고자, 추론 기반의 안전성 지침을 활용하여 잠재 지식을 효과적으로 활용하는 방법을 제시하며, OOD 공격에 대한 일반화 성능을 크게 향상시키는 실험 결과를 보여줍니다.

송란, 백인푸, 유휘 연구팀이 개발한 panCancerDR은 잠재 독립 투영(LIP) 모듈과 비대칭 적응 클러스터링 제약 조건을 통해 다양한 암 유형에 대한 약물 반응을 정확하게 예측합니다. 기존 방법들을 능가하는 성능으로 실제 임상 적용 가능성을 높였습니다.

Guinan Su와 Jonas Geiping의 연구는 자동화된 모델 병합 프레임워크를 통해 LLM의 성능 향상에 획기적인 발전을 가져왔습니다. 다중 충실도 근사와 새로운 검색 공간을 활용하여 단일 및 다중 목표 최적화 모두에서 효율적이고 효과적인 모델 병합을 가능하게 하였습니다.

Zhao Xuejiao 등 연구진이 개발한 MedRAG는 지식 그래프 기반의 RAG 모델로, EHR 데이터를 활용하여 더욱 정확하고 개인 맞춤형 진단을 지원합니다. 4단계 계층적 진단 지식 그래프와 대규모 언어 모델을 활용하여 기존 모델보다 우수한 성능을 보이며 오진율 감소에 기여할 것으로 기대됩니다.

Dong et al.(2025)의 연구는 디코더 전용 LLM을 활용하여 텍스트-이미지 확산 모델의 의미 이해 능력을 향상시킨 새로운 모델을 제시합니다. 다양한 아키텍처에 대한 분석과 실험 결과, 기존 모델보다 우수한 성능을 입증하며 텍스트-이미지 생성 기술의 발전에 기여했습니다.