중국과학원 자동화연구소 연구팀은 LLM의 수학적 추론 능력 향상을 위해 자발적 코드 실행을 통한 강화 학습(RL) 기반의 ZeroTIR 프레임워크를 개발했습니다. 훈련 단계 증가에 따른 성능 향상의 상관관계를 규명하고, 어려운 수학 문제에서 기존 방식보다 우수한 성능을 입증했습니다. 이 연구는 AI의 도구 활용 능력 향상에 기여할 중요한 발견입니다.

Ce Hao, Anxing Xiao, Zhiwei Xue, Harold Soh 연구팀이 개발한 CHD(Coupled Hierarchical Diffusion) 프레임워크는 고차원 하위 목표와 저차원 궤적 생성을 통합하여 장기 계획 과제의 성능을 크게 향상시켰습니다. 미로 탐색, 테이블 매니퓰레이션, 가정 환경 등 다양한 실험에서 기존 방법보다 우수한 성능을 보였으며, 인공지능 기반 로봇 및 자율주행 시스템 등 다양한 분야에 혁신을 가져올 것으로 기대됩니다.

Neil De La Fuente 등 연구진이 개발한 Prototype-Augmented Hypernetworks (PAH)는 지속적 학습(CL)에서 파국적 망각 문제를 해결하는 획기적인 프레임워크입니다. 학습 가능한 과제 원형을 활용한 동적 과제별 분류기 생성과 이중 증류 손실을 통해 메모리 효율성을 높이고 기존 방법들을 능가하는 성능을 달성했습니다. Split-CIFAR100 및 TinyImageNet 데이터셋에서 최첨단 성능을 기록하며, AI의 지속적 학습 발전에 크게 기여할 것으로 기대됩니다.

Arun S. Maiya가 개발한 OnPrem.LLM은 개인정보 보호에 초점을 맞춘 오프라인 LLM 툴킷으로, 다양한 LLM 백엔드와 하이브리드 배포 지원, No-code 웹 인터페이스를 통해 편의성과 안전성을 모두 제공합니다.

거대 언어 모델이 스스로 판단하고 개선하는 능력을 통해 자율적으로 학습하고 발전하는 새로운 패러다임을 제시하는 연구 결과가 발표되었습니다. 카운트다운 퍼즐과 MIT 통합 벌 문제 실험 결과, 정답 없이도 신뢰할 만한 보상 신호를 생성하며 성능 향상을 달성했고, 특히 Qwen 2.5 7B 모델은 기준선 대비 8% 향상, GPT-4의 성능까지 뛰어넘는 결과를 보였습니다.