본 기사는 중국 과학자팀이 개발한 재시도 증강 학습(RAL)에 대한 내용을 다룹니다. RAL은 대규모 언어 모델(LLM)의 도메인 특화 데이터 부족 문제를 해결하고, 모델 재훈련 없이 자기 지도 학습을 통해 성능 향상을 이루는 혁신적인 방법입니다. 환각 감소, 의사결정 성능 향상, OOD 성능, 강건성, 전이성 등 다양한 측면에서 뛰어난 성능을 보이며, AI의 미래에 중요한 영향을 미칠 것으로 예상됩니다.

Edvin Fasth와 Sagar Singh의 연구는 라플라스 근사를 활용한 지식 증류 방법을 통해 AI 모델의 그룹 공정성을 향상시키는 새로운 접근 방식을 제시합니다. 조기 종료 신경망과 결합된 라플라스 근사는 불확실성 추정의 정확도를 높여, 공정성 저해 요인으로 작용하는 어려운 인스턴스를 효과적으로 식별하고 개선합니다.

Jin et al.(2025)의 연구는 다모달 트랜스포머의 효율성 문제를 해결하기 위해 계층적 모달 방식의 이종 그래프(HMHGs) 개념을 도입하고, 그래프 구조 기반의 인터레이스드 마스크 메커니즘을 활용한 GsiT 모델을 제안했습니다. GsiT는 매개변수를 1/3로 줄이면서 성능을 향상시켰으며, 다양한 최첨단 MSA 모델에 통합하여 효과를 검증했습니다.

본 연구는 AI 모델 공급망의 보안 취약점을 최초로 포괄적으로 분석하고, 악성 설정 파일 탐지 도구 CONFIGSCAN을 개발하여 AI 생태계 보안 강화에 기여했습니다. 수천 개의 의심스러운 파일이 발견되어 AI 모델 보안의 중요성을 강조하고 있습니다.

본 연구는 대규모 언어 모델(LLM)을 이용한 자동화된 악용 코드 생성(AEG)에 대한 최초의 체계적인 연구로, LLM의 협조성 및 기술적 능력을 평가했습니다. GPT-4와 GPT-4o는 높은 협조성을 보였으나, 개선된 벤치마크에서는 완벽한 악용 코드 생성에 실패했습니다. GPT-4o의 낮은 오류율은 향후 LLM 기반 AEG 발전 가능성을 시사하며, 사이버 보안 분야의 지속적인 모니터링과 연구의 필요성을 강조합니다.