Apple이 추론 시 시각적 사고를 내재화해 지연 시간을 5배 이상 줄이는 IVT 프레임워크를 제안했다.
반복적 의사 라벨링을 적용해 만다린-영어 코드스위칭 음성 인식 정확도를 크게 높였다.
Apple이 이중어 어휘를 활용한 데이터 개입 기법 LINK를 제안해 다국어 LLM 학습 효율을 크게 높였다.
Apple이 역색인덱스 기반 부울 쿼리 평가의 P-완전성을 증명하고 효율적 알고리즘 ComputePN을 제안했다.
4개 LLM 모델 21,000개 대화 분석으로 인간 유사 행동의 적절성과 제어 가능성을 검증했다.
커널 기반 최적 운송의 높은 계산 비용 문제를 해결하기 위해 특화된 Semismooth Newton(SSN) 방법을 제안한다.
뇌 신호 분석 시 개인별 차이를 반영하기 위해 지연과 팽창을 모두 고려한 MVICAD2 모델을 제안한다.
GRPO를 활용한 비영어 및 다국어 환경에서의 추론 성능과 언어 간 전이 효과를 대규모로 분석했다.
모델 학습에 미치는 영향이 미미한 데이터를 식별해 언러닝(Unlearning) 연산 비용을 최대 50%까지 절감하는 프레임워크를 제안한다.
ARBITRAGE가 모델 우위를 예측해 수학 추론 latency를 최대 2배 줄였다.
Diffusion 언어 모델은 병렬 생성이 가능하지만 긴 문맥과 배치 처리에서 한계를 보였다.
DeepAmbigQA가 모호성과 다단계 추론을 결합해 LLM의 답변 완전성을 평가한다.
시공간 액션 토큰화를 통해 로봇이 작업 환경에 맞춰 동작 방식을 조절할 수 있는 MoMo 프레임워크를 제안한다.
UMAP이 내부적으로 구축하는 kNN 그래프에 표준 그래프 알고리즘을 적용하여 데이터의 구조를 효과적으로 파악할 수 있음을 증명했다.
애플은 메모리 사용량을 최소화하면서 고품질 음성을 실시간 생성하는 새로운 오디오 합성 아키텍처를 선보였다.
LLM과 VLM을 활용해 비전 모델의 인스턴스 레벨 오류 패턴을 찾아내는 GH-ESD 프레임워크를 제안한다.
LLM의 장기 추론 시 발생하는 과도한 분해로 인한 오류 복구 불능 문제를 해결하는 LEAD 방법론을 제안한다.
CalibAtt는 비디오 생성 모델의 어텐션 연산 중 불필요한 연결을 식별하여 속도를 최대 1.58배 높이는 기술이다.
실제 실행 환경 없이 API 명세만으로 에이전트 학습용 데이터를 생성하는 기술을 제안한다.
AI Briefing