Chenyang Shao 등 연구진이 개발한 '사고 분할(DoT)' 프레임워크는 소형 언어 모델(SLM)과 대형 언어 모델(LLM)의 시너지를 활용, 온디바이스 AI의 효율성과 정확도를 획기적으로 향상시켰습니다. 작업 분해, 스케줄링, 그리고 자기 강화 학습 기반 어댑터를 통해 추론 시간과 비용을 크게 절감하면서도 경쟁력 있는 정확도를 유지하는 놀라운 성과를 달성했습니다.

MD-BERT는 어두운 영상에서의 행동 인식 문제를 해결하기 위해 다양한 전처리 기법과 멀티스트림 융합, BERT 기반 시간 모델링을 결합한 새로운 방법입니다. ARID 데이터셋에서 최첨단 성능을 달성했으며, ablation study를 통해 각 모듈의 효과를 검증했습니다.

Jaden Clark, Joey Hejna, Dorsa Sadigh 세 연구원이 개발한 Language-Guided Preference Learning (LGPL)은 LLM과 선호도 학습을 결합하여 로봇 행동 생성을 효율화하는 혁신적인 기술입니다. 단 4번의 질의만으로 정확하고 표현력 있는 로봇 행동 학습이 가능하며, 사람과 로봇의 자연스러운 상호작용을 가능하게 합니다.

본 기사는 Cai 등 연구진이 발표한 CKG-LLMA 모델에 대한 소개입니다. LLM을 활용하여 지식 그래프 기반 추천 시스템의 정확성과 효율성을 높이는 방법을 제시하며, 신뢰도 기반 증강, 이중 관점 대조 학습 등 핵심 기술을 설명합니다. LLM의 환각 문제 해결 및 향후 연구 방향에 대한 논의도 포함되어 있습니다.

Nicole Cho와 William Watson이 개발한 MultiQ&A는 크라우드소싱 기반 질문 변형 및 답변 분석을 통해 LLM의 강건성과 일관성을 평가하는 혁신적인 시스템입니다. 190만 개 이상의 질문 변형과 230만 개 이상의 답변을 분석하여 LLM의 환각 문제 해결에 새로운 가능성을 제시하며, 기관의 LLM 도입에 중요한 역할을 할 것으로 기대됩니다.