핀란드 연구팀의 연구에 따르면, LLM은 핀란드 대입 시험에서 놀라운 수학적 능력을 보여주었습니다. 초기에는 중간 정도의 성적을 보였지만, 시간이 지남에 따라 급속도로 발전하여 일부 모델은 만점에 가까운 점수를 기록했습니다. 이는 AI 기술의 급속한 발전과 교육 평가 시스템의 혁신 가능성을 보여주는 중요한 결과입니다.

팡 지추안, 왕 샤오웬, 리 지안 등 연구진은 압축 이론을 이용하여 거대 언어 모델(LLM)의 작동 원리를 새롭게 해석하는 연구를 발표했습니다. 콜모고로프 복잡도와 섀넌 정보 이론을 기반으로 LLM의 정보 획득 과정을 분석하고, Syntax-Knowledge 모델을 통해 스케일링 법칙, 지식 획득 역학, 환각 현상을 설명했습니다. 이론적 예측은 실험적으로 검증되어 높은 신뢰도를 보였습니다.

소형 LLM을 이용한 게임 내 플레이어 응답 평가 연구 결과, 모델별 성능 차이와 맥락 인식 평가 프레임워크의 중요성이 강조되었습니다. AI 기반 평가 도구의 신뢰성 확보를 위한 심도있는 논의가 필요함을 시사합니다.

80개 이상의 LLM과 37개의 벤치마크를 사용한 메타 연구 결과, 매개변수 규모가 작은 LLM은 특정 능력에서 인간의 능력 측정 지표로 설명 가능하지만, 인간과 달리 능력 간 상관관계가 낮고, 모델 크기에 따라 성능 차이가 큼을 확인했습니다.

Li Xiangju 등 연구진의 논문은 지시어 튜닝과 데이터 증강을 활용한 대규모 언어 모델 기반 프레임워크를 통해 텍스트에서 감정, 원인, 범주를 구간 단위로 추출하는 혁신적인 방법을 제시합니다. 기존 방식 대비 최소 12.8% 이상의 성능 향상을 보이며 감정 원인 분석 분야의 발전에 크게 기여할 것으로 기대됩니다.