거대 언어 모델의 추론 능력 향상에도 불구하고, 오류 발생은 여전히 문제입니다. Alex Heyman과 Joel Zylberberg의 연구는 RLLM이 문제의 정보를 잘못 해석하는 '환각' 현상에 주목하며, 이를 완화하기 위한 설계 개선의 필요성을 강조합니다.

Arun Kumar와 Paul Schrater의 논문 "Structured Representation"은 불변 표상 학습의 한계를 극복하기 위해 관계적 지식과 추상적 지식 구조를 기반으로 한 새로운 구조적 표상 프레임워크를 제시합니다. 폐쇄된 관계 경로에 의해 정의된 분할을 핵심 불변 표상으로 제시하며, 폐쇄 준환을 이용하여 이를 수학적으로 형식화합니다.

왕샤오와 양순련 연구팀이 개발한 LSTAN-GERPE 모델은 경량화된 구조와 효율적인 주의 메커니즘을 통해 장거리 교통 예측의 정확도를 높였으며, 실제 데이터 세트에서 우수한 성능을 입증했습니다. 그래프 임베딩과 회전 위치 인코딩의 활용은 이 모델의 핵심적인 강점입니다.

LLM의 계획 및 추론 능력을 평가하기 위한 새로운 벤치마크인 LLM-BabyBench가 개발되었습니다. BabyAI 환경을 텍스트 기반으로 구현하여 예측, 계획, 분해 세 가지 과제로 구성되며, GitHub 및 HuggingFace에서 공개되어 있습니다. 초기 결과는 LLM의 기초 추론 능력 향상에 대한 필요성을 시사합니다.

Niaz Ahmad 등 연구진이 개발한 KDC 기술은 키포인트를 동적 중심점으로 활용하여 인체 자세 추정과 개별 객체 단위 분할을 통합하는 새로운 방법을 제시합니다. 실시간 환경에서 높은 정확도와 빠른 처리 속도를 달성하여 다양한 분야에 활용될 것으로 기대됩니다.