Mitra-v2가 합성 데이터 사전 학습으로 TabArena와 ScoringBench 1위를 차지했다
Karimi의 2016년 논문이 비볼록 ML에서 선형 수렴을 증명해 ECML PKDD 상을 수상했다
AWS와 Booking.com이 Medusa와 증류로 LLM 비용을 3분의 1로 줄이고 속도를 20배 높였다
Audible이 BookLLM을 활용해 오디오북 캐릭터 음성 차별화를 개선했다.
TorchNeuron이 PyTorch 코드를 AWS Trainium에서 최소 변경으로 실행 가능하게 했다
AVERI 검토로 Amazon AI 안전 데이터셋의 주제 커버리지와 낮은 오염 위험이 확인됐다.
AWS가 사전 훈련 비용을 99% 줄이는 하이브리드 SSM 변환 기법 priming을 공개했다.
NTT DOCOMO와 시연한 그래프 기반 에이전틱 AI로 네트워크 근본 원인 분석 시간을 몇 시간에서 몇 분으로 단축했다.
Reactor와 Amazon이 Trainium용 NKI 최적화로 3D-RoPE 지연을 1.8ms로 줄여 실시간 영상 생성을 실현했다.
아마존이 스탠퍼드대와 AI, 에너지, 헬스케어 분야 공동 연구를 위한 이니셔티브를 공식 출범했다.
아마존 Bio Discovery 팀이 항체 결합 강도 예측, 개발성 평가, 신약 설계 등 AI 기반 항체 연구 논문 3편을 공개했다.
LLM 연구 에이전트가 벤치마크 과적합 없이 일반화하는 이유는 성공 전략이 높은 압축성을 지니기 때문이다.
Amazon은 Verus를 활용해 Rust 코드의 수학적 정확성을 증명하며, 기존 Rust의 안전성을 넘어선 보증을 제공한다.
실제 기업 SOP와 도구를 결합해 AI 에이전트의 업무 수행 능력을 검증하는 벤치마크 SOP-Bench가 공개됐다.
Amazon의 Automated Reasoning Group이 지난 10년의 연구와 성과를 돌아봤다.
AWS는 Trainium 경쟁력 강화를 위해 AI 모델과 커널을 칩 설계와 함께 최적화한다.
Amazon이 30개 대학의 AI 연구팀 34곳에 Trainium 연구 지원을 제공한다.
ControlG는 산업용 PID 제어 원리를 적용해 상충하는 다중 학습 목표를 효율적으로 조정한다.
환자 대응형 AI 에이전트의 안전성과 임상 워크플로우 수행 능력을 측정하는 새로운 벤치마크 PatientAgentBench가 공개되었다.
아마존과 미시간 대학교가 물리 기반 시뮬레이터 HydroShear를 통해 로봇의 촉각 학습 능력을 향상시켰다.
아마존은 2040년 넷제로 달성을 위해 배송 단위당 탄소 배출량 등 사업 부문별 맞춤형 탄소 집약도 지표를 도입하고 있다.
Amazon이 AI 인프라 전력 수요를 충족하기 위해 차세대 원전 연료인 TRISO 기술에 투자하고 있다.
AI Briefing