본 기사는 학부 수준의 물리 문제 해결 능력을 평가하기 위한 새로운 벤치마크 UGPhysics와 정답 채점 파이프라인 MARJ에 대해 소개합니다. 5,520개의 문제와 31개 LLM의 평가 결과를 통해 수학적 능력뿐 아니라 물리적 추론 능력의 중요성을 강조하며, AI 기반 물리학 추론 기술 발전에 대한 기대감을 높입니다.

Wan 등(2025)의 연구는 대규모 언어 모델(LLM)의 다수 샷 컨텍스트 학습에서 중요한 몇몇 예시만이 성능 향상에 기여함을 밝히고, 이를 바탕으로 베이지안 최적화를 활용한 새로운 알고리즘 BRIDGE를 제안하여 다양한 작업에서 성능 향상을 달성했습니다.

본 기사는 대규모 언어 모델(LLM)을 데이터 분석에 활용하는 획기적인 연구 결과인 CoddLLM에 대해 다룹니다. CoddLLM은 새로운 데이터 레시피와 학습 방법을 통해 기존 LLM의 한계를 극복하고, 데이터 분석 작업에서 뛰어난 성능을 보여줍니다. 연구진은 CoddLLM의 성능 평가를 위해 새로운 벤치마크인 AnalyticsMMLU도 함께 공개했습니다.

Fu Jiale 등 6명의 연구원이 발표한 Speculative Ensemble은 기존 LLM 앙상블의 속도 문제를 해결하는 획기적인 프레임워크입니다. Speculative Decoding에서 영감을 얻어 제안 및 검증 모델의 교차 활용을 통해 속도를 1.11배에서 2.23배까지 향상시키며, 이론적 증명과 실험적 결과를 통해 성능과 속도 개선을 입증했습니다.

Yan 등 연구진이 개발한 MIM(Multi-modal Content Interest Modeling)은 다중 모달 콘텐츠를 활용하여 사용자의 관심도를 모델링하는 새로운 방법으로, 타오바오 플랫폼에서 CTR 14.14%, RPM 4.12% 향상이라는 놀라운 성과를 거두었습니다. 이는 ID 임베딩 방식의 한계를 극복하고 실제 사용자 선호도를 더욱 정확하게 반영하는 혁신적인 접근 방식을 제시한 중요한 연구 결과입니다.