본 기사는 AI를 이용하여 50년 이상 미해결 문제였던 Hirsch 추측을 포함한 기하학 분야의 난제를 해결하고 새로운 다면체를 생성하는 연구에 대한 내용을 다룹니다. AI 시스템이 인간 전문가를 뛰어넘는 성과를 거두었으며, 이는 AI가 수학적 지식 발전에 기여할 수 있음을 시사합니다.

중국과학원 자동화연구소 연구진이 개발한 EVEv2.0은 인코더 없는 비전-언어 모델(VLM)의 성능을 획기적으로 향상시킨 모델로, 시각 및 언어 정보의 효율적인 처리와 최적화된 훈련 전략을 통해 기존 인코더 기반 VLM에 근접하는 성능을 달성했습니다. 뛰어난 데이터 효율성과 강력한 시각적 추론 능력으로 다양한 분야에서의 활용 가능성을 제시합니다.

Google 연구진이 개발한 Matryoshka Quantization(MatQuant)은 단일 모델을 다양한 정밀도 수준에서 사용할 수 있도록 하는 혁신적인 양자화 기술입니다. 기존의 int2 양자화보다 정확도를 최대 10% 향상시키는 놀라운 성능을 보이며, AI 모델의 효율성과 성능을 동시에 향상시키는 잠재력을 가지고 있습니다.

Tianlang Chen, Charilaos Kanatsoulis, Jure Leskovec이 개발한 RelGNN은 관계형 데이터베이스의 구조적 특징을 고려한 혁신적인 GNN 프레임워크로, 원자 경로와 복합 메시지 전달 메커니즘을 통해 기존 GNN의 한계를 극복하고 최대 25%의 성능 향상을 달성했습니다.

중국 연구진이 개발한 OREAL 프레임워크는 이진 결과 보상만을 사용하여 수학적 추론 과제에서 70억 파라미터 모델의 성능을 320억 파라미터 모델 수준으로 끌어올렸습니다. 이는 토큰 수준의 보상 모델과 이론적 증명을 통해 희소 보상 문제를 해결한 결과입니다.