본 기사는 An Zou 외 9명의 연구진이 발표한 논문 "A Survey of Real-time Scheduling on Accelerator-based Heterogeneous Architecture for Time Critical Applications"을 바탕으로, 실시간 AI 애플리케이션을 위한 이기종 컴퓨팅 환경에서의 실시간 스케줄링 기술에 대한 심층적인 분석을 제공합니다. 소프트 및 하드 실시간 제약 조건, 하드웨어 벤더 지원, 에너지 효율, 열 관리 등 다양한 측면을 고려한 스케줄링 기법들을 소개하고, 향후 연구 과제를 제시하여 이 분야의 발전에 기여하고자 합니다.

중국 연구진이 개발한 FlexiVe와 Solve-Detect-Verify 파이프라인은 LLM의 추론 속도와 정확도를 개선하는 혁신적인 시스템입니다. 유연한 검증 전략과 효율적인 자원 배분을 통해 기존 방식의 한계를 극복하고, 다양한 벤치마크에서 우수한 성능을 입증했습니다.

LLM 기반 다중 에이전트 프레임워크 MARVEL은 하드웨어 보안 취약점 검출의 효율성을 높이는 혁신적인 방법을 제시합니다. OpenTitan 기반 SoC 테스트에서 48개 문제 중 20개가 실제 취약점으로 확인되어 그 효과성을 입증했습니다.

러시아 연구진이 개발한 CrafText 벤치마크는 복잡하고 동적인 다중 모드 환경에서의 AI 지시 사항 따르기 능력을 평가하는 새로운 기준을 제시합니다. 다양한 지시 사항과 어휘, 동적인 상호 작용을 포함하는 CrafText는 AI의 언어 이해 및 적응력을 엄격하게 평가하여 보다 현실적이고 강력한 AI 개발을 촉진할 것으로 기대됩니다.

양푸닝 박사 연구팀은 LLM 언러닝에서 손실 재가중치 부여의 두 가지 목표, '포화'와 '중요도'를 제시하고, 각 목표에 맞는 전략을 비교 분석하여 SatImp라는 새로운 방법을 제안했습니다. 실험 결과, 포화 기반 재가중치 부여가 더 효과적이며, 두 방식의 결합은 추가적인 개선을 가져온다는 것을 확인했습니다.