스탠퍼드 AI 연구소(SAIL)는 10월 6일부터 9일까지 샌프란시스코 힐튼 유니언 스퀘어에서 열리는 언어 모델링 학회(COLM) 2026에서 연구를 발표합니다. 연구소는 본회의 논문 5편과 워크숍 논문 4편을 공개했으며, 일부 연구에는 논문 외에 영상, 웹사이트 또는 블로그 글 링크도 제공했습니다.

본회의 연구는 대화를 임상 진료와 환자 상태를 측정하는 방법으로 살펴보고, 언어 모델이 현재 연도를 일관되게 표현하는지 질문합니다. PromptNCE는 대규모 언어 모델과 대조 프롬프트를 이용해 조건부 확률과 점별 상호 정보량을 추정합니다. SWE-chat은 코딩 에이전트와 실제 사용자의 상호작용을 분석했으며, 기초 모델 학습용 데이터를 책임 있게 마련하는 워크숍에서 구두 발표 후보로 선정됐습니다. 순환 구조와 시퀀스 모델링, 테스트 시점 회귀를 살펴보는 선형 어텐션 전환 연구도 포함됐습니다.

워크숍 논문은 강화학습과 종단 간 맥락 관리를 이용해 모델이 추론 중 정보를 잊는 방법을 다룹니다. Quasi-Monte Carlo 연구는 준 몬테카를로 방식의 테스트 시점 확장과 추론 계산량을 살펴보고, Speculative Self-Distillation 연구는 학습 후 증류를 통한 지식 내재화를 탐구합니다. 네 번째 논문은 중립 데이터를 이용해 아첨성 동의가 전이되는 방식을 대조 선호 최적화로 분석하며, 잠재 학습과 AI 안전 및 정렬을 핵심어로 제시합니다. Neural Garbage Collection 논문과 SWE-chat은 구두 발표 후보로 선정됐습니다. 학회 공지는 자세한 정보를 원하는 독자에게 논문 저자들에게 연락하도록 안내합니다.

스탠퍼드 AI 연구소(SAIL)는 10월 6일부터 9일까지 샌프란시스코 힐튼 유니언 스퀘어에서 열리는 언어 모델링 학회(COLM) 2026에서 연구를 발표합니다. 연구소는 본회의 논문 5편과 워크숍 논문 4편을 공개했으며, 일부 연구에는 논문 외에 영상, 웹사이트 또는 블로그 글 링크도 제공했습니다.

본회의 연구는 대화를 임상 진료와 환자 상태를 측정하는 방법으로 살펴보고, 언어 모델이 현재 연도를 일관되게 표현하는지 질문합니다. PromptNCE는 대규모 언어 모델과 대조 프롬프트를 이용해 조건부 확률과 점별 상호 정보량을 추정합니다. SWE-chat은 코딩 에이전트와 실제 사용자의 상호작용을 분석했으며, 기초 모델 학습용 데이터를 책임 있게 마련하는 워크숍에서 구두 발표 후보로 선정됐습니다. 순환 구조와 시퀀스 모델링, 테스트 시점 회귀를 살펴보는 선형 어텐션 전환 연구도 포함됐습니다.

워크숍 논문은 강화학습과 종단 간 맥락 관리를 이용해 모델이 추론 중 정보를 잊는 방법을 다룹니다. Quasi-Monte Carlo 연구는 준 몬테카를로 방식의 테스트 시점 확장과 추론 계산량을 살펴보고, Speculative Self-Distillation 연구는 학습 후 증류를 통한 지식 내재화를 탐구합니다. 네 번째 논문은 중립 데이터를 이용해 아첨성 동의가 전이되는 방식을 대조 선호 최적화로 분석하며, 잠재 학습과 AI 안전 및 정렬을 핵심어로 제시합니다. Neural Garbage Collection 논문과 SWE-chat은 구두 발표 후보로 선정됐습니다. 학회 공지는 자세한 정보를 원하는 독자에게 논문 저자들에게 연락하도록 안내합니다.