AI 연구

연구진이 기존 모델의 한계를 극복하기 위해 3,814개의 단백질로 구성된 대규모 벤치마크 데이터셋을 구축했습니다. 다중 라벨 분류 체계를 도입하여 세포 구획 예측의 정확도를 높였습니다.

브리지워터와 싱킹 머신즈 랩이 개발한 금융 특화 AI 모델이 기존 범용 모델보다 높은 정확도와 비용 효율성을 입증했습니다. 기업 내부 데이터를 활용한 오픈 웨이트 모델이 금융 업무에서 새로운 대안으로 주목받습니다.

아마존 세이지메이커 다중 턴 강화학습은 순차적인 단계별 작업을 수행하는 에이전트 학습에 최적화되어 있습니다. 복잡한 에이전트 행동과 보상 해킹 위험을 관리하기 위해 격리된 시뮬레이션 환경 구축과 독립적인 외부 평가 체계가 필수적입니다. 서버리스 실행 방식과 다양한 알고리즘 라이브러리를 통해 효율적인 학습이 가능합니다.

기업용 애플리케이션 현대화를 지원하는 새로운 벤치마크 도구 ScarfBench가 공개되었습니다. 이 도구는 자바 생태계 간 마이그레이션 과정의 복잡성을 평가하고 AI 에이전트의 성능을 검증합니다.

아마존 웹 서비스가 베드록 에이전트코어 메모리에 메타데이터 필터링 기능을 추가했습니다. 이 기능은 대화 기록에서 정확한 정보를 추출해 검색 정확도를 높입니다. 벤치마크 테스트 결과 답변 정확도가 기존 40%에서 64%로 상승했습니다.

오픈에이아이가 유전학 및 생명과학 분야의 인공지능 성능을 평가하는 진벤치-프로를 발표했습니다. 이 도구는 인공지능의 과학적 추론 능력을 표준화된 방식으로 측정합니다.

코딩 에이전트의 학습 과정에서 필수적인 코드 검증 단계를 도커 환경 없이 수행하는 기술이 개발되었습니다. 연구진은 기존 방식 대비 검증 성능을 대폭 개선하고, 실제 코딩 벤치마크에서 모델의 해결률을 유의미하게 높였습니다.

프린스턴 대학교 연구진이 개발한 경영 벤치마크 테스트에서 대다수 인공지능 모델이 낮은 성과를 보였습니다. 단순 규칙 기반 알고리즘이 상위 3개 모델을 제외한 모든 AI보다 높은 수익을 기록하며 한계를 드러냈습니다.

연구진이 능동 학습을 활용해 세포 무함유 시스템의 mRNA 수율을 20배 높이는 데 성공했습니다. 이번 연구는 유전자 발현 연구의 새로운 통제 모델을 제시합니다. 2026년 6월 27일 네이처 커뮤니케이션즈에 관련 논문이 게재되었습니다.

에포크 AI와 METR이 공동 개발한 미러코드 벤치마크는 인공지능 모델의 소프트웨어 재구현 능력을 평가합니다. 클로드 오퍼스 4.7이 가장 높은 해결률을 기록하며 기술적 우위를 증명했습니다.