Changze Qiao와 Mingming Lu가 개발한 EHC는 매개변수 업데이트 없이 학습하는 혁신적인 범용 AI 에이전트입니다. 계층적 메모리 검색과 작업-범주 지향 경험 학습 모듈을 통해 효율적인 학습과 지속적인 적응력을 확보, 다양한 데이터셋에서 최첨단 성능을 달성했습니다.

인도의 법률 접근성 문제를 해결하기 위해 개발된 Legal Assist AI는 LLM 기반의 AI 모델로, 인도 법률 데이터셋을 통해 높은 정확도와 신뢰성을 확보했습니다. 최첨단 모델 대비 우수한 성능을 입증했으며, 향후 더욱 발전하여 인도 시민들에게 실질적인 법률 지원을 제공할 것으로 기대됩니다.

본 연구는 상호작용적이고 시공간적 일관성을 유지하는 비디오 생성을 위한 세계 모델을 제시합니다. 기존 자기회귀적 모델의 누적 오류 및 메모리 한계를 지적하고, VRAG(Video Retrieval Augmented Generation)라는 새로운 방법론을 통해 이를 극복합니다. VRAG은 명시적 전역 상태 조건화를 통해 장기간 누적 오류를 감소시키고 시공간적 일관성을 향상시켜, 보다 자연스럽고 일관된 장편 비디오 생성을 가능하게 합니다.

Zheng 등 연구진은 논리 회로의 기능적 하위 그래프 매칭이라는 새로운 개념을 제시하여 기존의 구조적 동형성 기반 하드웨어 검증의 한계를 극복했습니다. AI 기반의 2단계 다중 모드 프레임워크를 통해 93.8%의 기능적 하위 그래프 탐지 정확도와 91.3%의 퍼지 경계 식별 다이스 점수를 달성하여 EDA 분야에 혁신을 가져올 것으로 기대됩니다.

요시다 나오토와 타니구치 타다히로 연구팀이 개발한 MARL-CPC는 파라미터 공유 없이 완전히 분산된 환경에서 에이전트 간 효과적인 의사소통을 가능하게 하는 혁신적인 다중 에이전트 강화학습(MARL) 프레임워크입니다. 집합적 예측 코딩(CPC) 기반의 메시지 학습 모델을 통해 보상과 무관하게 의사소통을 지원하며, 비협력적인 환경에서도 뛰어난 성능을 보입니다. 자율주행, 로보틱스 등 다양한 분야에 혁신을 가져올 잠재력을 지닙니다.