중국 과학원 연구팀이 개발한 MT-Path는 시간 지식 그래프(TKG)에서의 추론 문제에 대한 강화학습 기반의 새로운 해결책을 제시합니다. 시간 정보 활용과 혼합 정책 기반 행동 선택기를 통해 설명 가능한 추론 경로를 생성하며, 보조 요소 인식 GCN을 통해 더욱 정확한 이해를 가능하게 합니다. 실험 결과는 MT-Path의 효과성과 설명 가능성을 입증합니다.

Jitai Hao 등 연구진이 개발한 저차원 복제(LRC) 기술은 소형 언어 모델의 학습 효율을 1000배 이상 향상시키는 혁신적인 방법입니다. 200억 토큰의 데이터만으로도 최첨단 모델에 필적하는 성능을 달성하여 AI 개발의 새로운 가능성을 열었습니다.

UniHM은 복잡한 실내 환경에서의 인간 동작 생성에 새로운 기준을 제시하는 혁신적인 AI 모델입니다. 혼합 모션 표현, LFQ-VAE, 강화된 Lingo 데이터셋을 통해 Text-to-Motion 및 Text-to-HOI에서 우수한 성능을 달성했습니다. 게임, 애니메이션, 로봇 공학 등 다양한 분야에 긍정적인 영향을 미칠 것으로 기대됩니다.

본 연구는 LLM의 높은 계산 비용과 지연 시간 문제를 해결하기 위해, 소스 문장 특징을 활용한 새로운 결정 정책을 기반으로 NMT와 LLM을 효율적으로 결합하는 하이브리드 번역 모델을 제시합니다. 다국어 실험 결과, 최소한의 LLM 사용으로 최적의 번역 성능을 달성함을 보여주며, 향후 다양한 언어 처리 분야에 적용 가능성을 제시합니다.

대규모 언어 모델의 공정성과 안정성을 보장하기 위한 새로운 형식적 검증 프레임워크가 제시되었습니다. 이 프레임워크는 성별 편향 완화와 독성 감지의 신뢰성을 높여, 윤리적인 AI 배포와 콘텐츠 조절에 기여할 것으로 기대됩니다.