Apple 연구, LLM 조건화 시 유창성 저하 및 instruction-tuned 모델에서 activation steering 효과 감소 확인
미세 조정으로 오픈 웨이트 모델이 미학습 Gemini-3.1-Pro를 능가했다.
Apple과 Georgia Tech, LIPPAX로 연방 분산 부등식 수렴 속도 개선했다
Apple 연구진이 온라인 교사 모델과 서버 측 안정화를 결합해 ASR 연방 학습 정확도를 도메인 내 20.8%, 도메인 간 10.0% 개선했다.
Apple이 라텐트 공간 증류로 오디오 인코더를 2.8배 압축했으며, WER 오차는 1.9% 이내로 유지했다.
추가 추론 패스 없이 기존 모델 내부 상태로 유도 신호를 생성해 무조건 생성 성능을 SOTA 수준으로 끌어올렸다.
Apple 연구진이 불필요한 성능 저하를 줄이는 동적 스케일링 Activation Steering 기법 DSAS를 공개했다.
Apple이 리셋 없는 강화학습의 비가역성 문제를 측정하는 REVERSAL-BENCH를 공개하고, 비가역성 증가 시 학습이 중단되는 현상을 규명했다.
Apple 연구진이 LLM에 특정 가치를 주입하면 안전성은 향상되지만 아첨성도 함께 증가함을 확인했다.
Apple 연구 블로그에 소개된 연구에서 이산 흐름 매칭의 궤적 품질을 개선하는 TS-DFM을 제안해, 8단계 추론으로 1,024단계 교사 모델 대비 퍼플렉시티를 32% 낮추고 속도는 128배 향상시켰다.
Apple 연구진이 확산 언어 모델의 강화학습 편향을 줄이는 DACA-GRPO를 공개했다.
Apple이 LLM 에이전트를 활용해 엔터프라이즈 데이터 카탈로그의 컬럼 설명 생성 및 민감도 태그를 자동화하는 시스템 Glyph를 공개했다.
Apple이 에이전트 LLM 시스템의 컨텍스트 문제를 해결하기 위해 공유 선택적 영구 메모리 아키텍처를 공개했다.
Apple이 다단계 학습 없이 데이터 공간에서 직접 학습하는 단백질 설계 모델 SimpleDesign을 공개했다.
Apple 연구진이 영상 캡션의 정보 충실도를 평가하는 참조 없는 벤치마크 CapQuiz를 공개했다.
Apple 연구진이 문맥과 공간 일관성을 반영한 수어 번역 프레임워크 DiscoSign을 공개했다.
Apple이 무감독 학습으로 재사용 가능한 로봇 동작 스킬을 개발하는 REFACTOR-VLA 시스템을 공개했다.
Apple이 MCP 사양만으로 수동 작업 없이 AI 에이전트 평가 시나리오를 자동 생성하는 Agent Seer를 공개했다.
LLM의 신념 갱신은 베이지안 원칙과 불일치하며, 비베이지안 휴리스틱이 오히려 더 나은 성능을 보였다.
Apple이 검색 증류 기반 Rubric-Reward로 오픈도메인 QA 정렬을 개선해 성능을 높였다.
확장된 모델 사전 학습과 추적을 통합한 IDEA Prune 파이프라인이 LLM 압축 성능을 개선했다.
Apple이 실패한 도구 호출 시나리오를 복구해 모델 증류 성능을 크게 높이는 PROOF-Gen을 공개했다.
Apple이 LLM과 정규화 흐름을 결합해 텍스트와 이미지를 통합 생성하는 STARFlow2를 공개했다.
AI Briefing