문서 둘러보기
DCASE 2025 오디오 질의응답
DCASE 2025 오디오 질의응답은 여러 소리 영역에서 질문에 답하는 모델을 평가하는 챌린지 과제다. 생물 음향과 시간적 소리 풍경, 복잡한 질의응답을 세 하위 집합으로 구성한다.
SEABED
SEABED는 동남아시아의 실제 발화 자료를 바탕으로 오디오 추론을 평가하는 질문 답변 데이터셋이다. 전사와 번역을 넘어 말투와 운율 등 소리의 근거로 판단하는 능력을 다룬다.
AudioRAG
AudioRAG는 오디오에서 얻은 정보에 웹 검색으로 확보한 외부 근거를 더해야 하는 추론을 평가하는 벤치마크다. 모델 내부 지식만 사용하는 오디오 이해와 검색 결합 능력을 구분한다.
RMS-AQA
RMS-AQA는 실제 가정 환경의 소리를 바탕으로 사건의 위치와 시간 관계를 추론하는 공간 오디오 질문 답변 벤치마크다. 들리는 사건을 확인한 뒤 그 근거로 추론하는 두 단계를 둔다.
SALMon 음향 평가
SALMon 음향 평가는 음성 언어 모델이 발화 내용 밖의 음향 정보를 얼마나 일관되게 모델링하는지 살피는 평가 묶음이다. 올바른 소리 샘플에 더 높은 점수를 주는지를 비교한다.
video-SALMONN
video-SALMONN은 영상 프레임과 소리 사건, 음악 및 발화를 함께 이해하도록 구성한 시청각 대형 언어 모델이다. 발화에 필요한 세밀한 시간 정보와 다른 영상 요소의 처리를 함께 고려한다.
수염과 안드로겐
남녀의 수염 발달이 평균적으로 다른 이유와 호르몬, 모낭의 반응, 개인차를 설명한다.
AudioICL-Bench
AudioICL-Bench는 오디오 모델이 문맥의 예시만으로 새로운 소리와 레이블의 대응 규칙을 배우는지 평가하는 벤치마크다. 이미 아는 과제를 알아보는 능력과 새 규칙 학습을 구분한다.
SSEU-Bench
SSEU-Bench는 발화와 비발화 소리의 에너지 차이를 고려해 오디오 모델의 이해를 평가하는 벤치마크다. 말의 내용과 음향 장면, 사건을 따로 이해하는 조건과 함께 이해하는 조건을 비교한다.
AudioBench
AudioBench는 오디오 입력에 따라 지시를 수행하는 대형 언어 모델을 여러 과제에서 평가하는 벤치마크다. 발화의 내용과 음향 장면, 목소리의 준언어적 정보를 함께 평가 범위에 둔다.
SVHalluc
SVHalluc는 말로 언급한 내용이 실제 화면에 나타나는지와 그 사건이 언제 보이는지를 평가하는 시청각 환각 벤치마크다. 발화 내용과 영상의 증거를 혼동하는 오류를 진단한다.
ART 오디오 추론 평가
ART 오디오 추론 평가는 서로 다른 소리 이해 능력을 결합해야 하는 문제로 멀티모달 모델을 평가하는 벤치마크다. 하나의 음성 인식 결과만 읽는 것으로 해결하기 어려운 과제를 지향한다.
AVHBench
AVHBench는 영상과 소리를 함께 이해하는 대형 언어 모델의 환각을 평가하는 벤치마크다. 두 입력 사이의 미묘한 관계를 구별하는지와 모달리티 간 대응 및 추론을 살핀다.
AHa-Bench
AHa-Bench는 오디오 대형 언어 모델의 환각을 의미와 음향 정보의 관점에서 나눠 평가하는 벤치마크다. 발화 내용과 소리의 성질을 함께 이해할 때 생기는 오류를 살핀다.
CMM 멀티모달 환각 평가
CMM 멀티모달 환각 평가는 언어와 영상, 오디오를 함께 이용하는 모델의 근거 없는 출력을 분석하는 벤치마크다. 한 입력 방식에 대한 과도한 의존과 입력 사이의 잘못된 연관을 살핀다.
ALME
ALME는 오디오와 문자가 서로 다른 내용을 제시할 때 음성 언어 모델이 어느 쪽을 따르는지 평가하는 자료다. 오디오를 따르라는 지시에도 충돌하는 문자를 선택하는 경향을 측정한다.
CMDAR
CMDAR는 여러 화자와 사건이 얽히고 시간에 따라 장면이 변하는 중국어 오디오의 추론 능력을 평가하는 벤치마크다. 발화와 환경음, 음악이 상호작용하는 복잡한 조건을 다룬다.
AHA 오디오 정렬
AHA 오디오 정렬은 언어적으로 그럴듯하지만 소리와 맞지 않는 설명을 구별하도록 오디오 모델을 학습하는 틀이다. 반사실적 어려운 오답으로 선호 자료를 구성한다.
MISHAP-Bench
MISHAP-Bench는 오디오 모델의 열린 답변이 소리와 검증 가능한 지식에 근거하는지 평가하는 벤치마크다. 단순 오답과 근거 없는 주장을 구분해 진단한다.
ReasonAudio
ReasonAudio는 문장과 소리의 단순 유사도보다 복잡한 조건을 요구하는 텍스트 오디오 검색 벤치마크다. 부정과 순서, 동시 발생과 지속 시간에 대한 판단을 평가한다.
SYAUDIO
SYAUDIO는 오디오 모델이 실제 소리와 어긋나는 사용자 주장에 동조하는 현상을 평가하는 벤치마크다. 음향 근거를 유지하면서 잘못된 피드백에 대응하는지를 살핀다.
HalluAudio
HalluAudio는 발화와 환경음, 음악에 대해 오디오 모델이 근거 없는 답을 만드는 현상을 평가하는 벤치마크다. 정답률 외에도 환각과 응답 편향, 거절 양상을 함께 분석한다.
MMAR-Rubrics
MMAR-Rubrics는 오디오 추론의 최종 답뿐 아니라 제시한 설명의 사실성과 논리를 평가하는 항목별 평가 절차다. 음성 추론 모델과 도구를 사용하는 에이전트를 비교하는 데 활용된다.
Long Listening Thoughts
Long Listening Thoughts는 오디오 추론 모델의 후속 학습 자료를 구성하는 틀이다. 다양한 소리 설명과 어려운 질문, 오류 추론과 검증 과정을 포함한 자료를 만든다.
SALMONN-duo
SALMONN-duo는 실시간 음성 대화와 시간이 오래 걸리는 추론 및 도구 사용을 두 시스템에 나누는 음성 에이전트다. 직접 응답할지 처리를 맡길지도 학습한다.
MusiScene
MusiScene은 음악을 듣고 그 음악과 어울리는 장면을 문장으로 제안하는 음악 캡셔닝 모델이다. 음악 요소의 설명을 넘어 영상 배경음 생성에 활용할 장면 맥락을 다룬다.
SALMONN-2
SALMONN-2는 자기 지도 오디오 인코더의 여러 층에서 얻은 표현을 언어 모델에 연결하는 오디오 대형 언어 모델이다. 층별 특징 융합과 문맥 예시를 활용하는 학습을 연구한다.
MuseDiag
MuseDiag는 오디오 모델이 음악에 없는 내용을 설명하는 현상을 진단하는 평가 틀이다. 소리 사건부터 감정까지 층위를 나누고 서로 다른 응답 방식에서 오류 양상을 비교한다.
오디오 선택형 평가의 강건성
오디오 선택형 평가의 강건성은 소리와 정답의 의미를 유지한 채 질문 표현이나 선택지 순서를 바꿨을 때 모델의 판단이 얼마나 일관적인지 살피는 문제다.
MMSU
MMSU는 말의 내용뿐 아니라 억양과 속도, 감정 같은 음성 단서를 함께 해석하는 능력을 평가하는 벤치마크다. 언어학적 현상을 바탕으로 발화 이해와 추론 과제를 구성한다.
MMAR
MMAR는 발화와 음악, 환경음이 섞인 녹음을 바탕으로 여러 단계의 추론을 평가하는 오디오 벤치마크다. 소리의 식별에서 문화적 맥락까지 질문의 층위를 구분한다.
AIR-Bench 오디오 평가
AIR-Bench 오디오 평가는 발화·자연음·음악을 이해하고 문장으로 지시에 응답하는 모델을 평가하는 벤치마크다. 기초 과제와 열린 질의응답을 나눠 단일 과제 능력과 생성적 이해를 살핀다.
MMAU
MMAU는 발화·환경음·음악을 이해하고 추론하는 오디오 모델을 평가하는 벤치마크다. 사람이 주석한 질문·답변과 소리 구간을 연결하며 정보 추출과 분야 지식이 필요한 추론을 함께 다룬다.
LAION-CLAP
LAION-CLAP는 다양한 길이의 소리를 다루는 특징 융합과 키워드·캡션 증강을 결합한 대규모 오디오·언어 사전 학습 접근이다. 여러 자료에서 모은 LAION-Audio-630K 쌍으로 검색과 분류를 평가한다.
MusCALL
MusCALL은 음악과 설명 문장의 대응을 대조 학습하는 두 인코더 모델이다. 공통 임베딩으로 문장에서 음악을 찾거나 음악에서 설명을 찾으며 장르 분류와 자동 태깅으로의 제로샷 전이도 평가한다.
CLAP
CLAP은 소리와 자연어 설명을 두 인코더로 표현하고 대조 학습으로 공통 공간에 연결하는 방법이다. 추론 시 문장으로 범주를 지정할 수 있어 고정된 소리 레이블만을 예측하는 방식보다 유연한 활용을 지향한다.
MuLan
MuLan은 음악 오디오와 자유로운 자연어 설명을 공통 임베딩 공간에 연결하는 모델이다. 정해진 태그만으로 음악을 찾는 방식에서 벗어나 자연어 검색과 제로샷 음악 태깅을 다룬다.
MERT
MERT는 음악의 음향 표현을 대규모 자기 지도 방식으로 학습하는 모델이다. 음향 교사와 음악 교사가 만든 의사 레이블로 마스킹된 입력을 예측하는 사전 학습을 수행한다.
OpenMU
OpenMU는 음악을 이해하는 멀티모달 언어 모델과 관련 자료 묶음을 제안한 연구다. 기존 데이터셋과 새 주석을 활용한 OpenMU-Bench로 음악 이해, 가사 이해, 음악 도구 사용까지 범위를 넓힌다.
MU-LLaMA
MU-LLaMA는 음악 파일에 대한 질문에 답하고 설명 문장을 생성하는 모델이다. 사전 학습한 MERT의 음악 표현을 활용하며 열린 음악 질의응답을 위한 MusicQA 자료를 함께 제안한다.
Pengi
Pengi는 오디오 과제를 텍스트 생성으로 통합하는 오디오·언어 모델이다. 소리와 문장의 임베딩을 접두 표현으로 결합해 고정된 사전 학습 언어 모델이 자유 문장을 출력하도록 한다.
Audio Flamingo
Audio Flamingo는 비음성 소리와 비언어적 발화를 다루는 오디오·언어 모델이다. 문맥 내 예시와 검색으로 새로운 과제에 적응하고 소리에 관한 여러 차례의 대화를 수행하는 방향을 연구한다.
LongAudio
LongAudio는 긴 오디오의 설명 생성과 질의응답을 학습하기 위한 연구 자료다. Audio Flamingo 2 연구에서 30초부터 5분 길이의 소리 이해와 전문가 주석 평가를 함께 다룬다.
GAMA 오디오 이해
GAMA는 여러 종류의 오디오 표현과 언어 모델을 연결해 소리 이해와 복잡한 추론을 다루는 모델이다. Audio Q-Former와 여러 인코더 층의 특징을 모으는 집계기를 사용한다.
LTU-AS
LTU-AS는 발화 내용과 준언어적 특성, 비음성 소리 사건을 함께 이해하는 모델이다. Whisper 기반 지각 모듈과 LLaMA 추론 모듈을 연결해 발화와 환경음의 관계를 다룬다.
LTU 오디오 이해
LTU는 소리 지각과 언어적 추론을 함께 다루는 오디오 기반 모델이다. 소리·질문·답변 자료로 학습하며 정해진 소리 범주 분류를 넘어 세부 내용과 장면의 의미를 이해하는 방향을 연구한다.
Qwen2-Audio
Qwen2-Audio는 다양한 오디오 입력을 분석하고 발화 지시에 텍스트로 응답하는 오디오·언어 모델이다. 텍스트 없이 음성으로 상호작용하는 방식과 소리·문장 지시를 함께 주는 분석 방식을 지원한다.
SALMONN
SALMONN은 사전 학습 언어 모델에 발화·오디오 인코더를 연결해 말소리와 일반 음향, 음악을 함께 다루는 멀티모달 모델이다. 음성 인식부터 소리 설명과 음향 기반 질의응답까지 여러 과제를 평가한다.
AutoCap과 GenAu
AutoCap과 GenAu는 환경음 자료의 설명 품질과 생성 모델의 확장성을 함께 다루는 연구의 두 모델이다. AutoCap이 소리 설명을 만들고 GenAu는 트랜스포머 기반 소리 생성을 수행한다.
AF-AudioSet
AF-AudioSet은 오디오 언어 모델로 AudioSet의 소리에 합성 설명을 부여한 연구 자료다. 생성된 캡션을 문장 기반 오디오 생성 모델의 사전 학습에 활용하는 효과를 평가한다.
ZerAuCap
ZerAuCap은 캡셔닝 과제에 특화된 추가 훈련 없이 사전 학습 언어 모델과 오디오·언어 모델로 소리 설명을 생성하는 방법이다. 오디오 문맥 키워드를 더해 생성 문장을 소리와 관련된 방향으로 안내한다.
RECAP 오디오 캡셔닝
RECAP은 입력 소리와 비슷한 설명을 자료 저장소에서 검색해 캡션 생성에 활용하는 방법이다. CLAP 기반 검색과 GPT-2 디코더를 연결하며 교체 가능한 문장 저장소로 새로운 영역의 단서를 제공한다.
WavText5K
WavText5K는 웹의 소리와 설명을 연결한 약 5천 개 쌍의 연구 자료다. 오디오와 자연어의 양방향 검색, 서로 다른 길이의 음향 처리, 여러 캡셔닝 자료의 공동 학습 효과를 다룬다.
AudioCaps
AudioCaps는 AudioSet 소리 구간에 사람이 작성한 자연어 설명을 연결한 오디오 캡셔닝 데이터셋이다. 소리 사건의 범주 이름을 예측하는 것보다 구체적인 소리 내용을 문장으로 설명하는 과제를 다룬다.
WavCaps
WavCaps는 웹의 소리 설명을 걸러내고 정제해 구성한 약한 레이블 오디오 캡셔닝 데이터셋이다. 약 40만 개의 소리·설명 쌍을 제공하며 언어 모델을 자료 처리에 활용한다.
Clotho
Clotho는 소리 내용을 자연어 문장으로 설명하는 오디오 캡셔닝 데이터셋이다. 음성의 발화 내용을 받아쓰는 문제와 구별되며 하나의 소리에 여러 설명 문장을 제공한다.
FSD50K
FSD50K는 Freesound 소리 구간에 사람이 소리 사건 레이블을 붙인 데이터셋이다. 51,197개 구간과 100시간 이상의 음향을 포함하며 AudioSet 온톨로지에서 가져온 200개 범주를 사용한다.
AudioSet
AudioSet은 소리 사건의 계층적 어휘와 사람이 레이블을 붙인 오디오 구간으로 구성된 연구 자료다. 온톨로지의 전체 범주 수와 실제 주석된 소리 범주 수를 구분하며 여러 종류의 일상 소리를 다룬다.
VGGSound
VGGSound는 자연 영상의 소리와 화면 사이 대응을 활용해 구성한 대규모 시청각 데이터셋이다. 음향 인식 모델의 학습·평가와 시청각 분석 연구에 사용되며 수집 단계에서 시각 검증과 오디오 검증을 결합한다.
TAViS
TAViS는 문장을 매개로 ImageBind의 멀티모달 정렬 지식과 SAM2의 분할 지식을 연결하는 시청각 분할 방법이다. 의사 문장의 범주 프로토타입과 모달리티별 세부 정보를 함께 활용한다.
Crab 시청각 이해
Crab은 시간·공간 위치 추정과 추론, 픽셀 수준 이해를 하나의 모델에서 다루는 시청각 통합 학습 방법이다. 과제 사이 협력을 자료와 모델 양쪽에서 명시적으로 구성한다.
TGS-Agent
TGS-Agent는 지시 대상을 해석하고 대략적인 위치를 찾은 뒤 정밀 분할하는 세 단계의 시청각 지시 분할 방법이다. 멀티모달 언어 모델이 만든 물체 설명을 Grounding-DINO와 SAM2의 명시적 프롬프트로 사용한다.
SAM2-LOVE
SAM2-LOVE는 문장·오디오·시각 표현을 학습 가능한 토큰에 통합해 SAM2로 지시 대상을 연속 분할하는 방법이다. 토큰 전파와 누적으로 과거 정보를 유지하고 프레임 사이 대상 이동 오류를 줄이려 한다.
SimToken
SimToken은 멀티모달 대형 언어 모델이 만든 대상 의미 토큰을 SAM의 프롬프트로 쓰는 지시 기반 시청각 분할 방법이다. 같은 물체를 가리키는 서로 다른 문장의 토큰 표현도 정렬한다.
TSAM
TSAM은 SAM에 시간 모델링과 멀티모달 프롬프트를 더해 문장으로 지시한 시청각 대상을 분할하는 방법이다. 여러 영상 프레임의 문맥과 소리·시각·문장 정보를 함께 활용한다.
SAMA-AVS
SAMA-AVS는 SAM의 대부분 매개변수를 고정한 채 어댑터로 시청각 분할에 적응시키는 방법이다. 함께 제안한 자료 합성 절차는 기존 이미지·마스크와 오디오를 범주 정보로 연결해 학습용 삼중쌍을 만든다.
UFE-AVS
UFE-AVS는 주석 없는 영상 프레임을 가까운 프레임과 먼 프레임으로 나누어 시청각 분할에 활용하는 방법이다. 가까운 프레임의 동작 단서와 먼 프레임의 의미·외형 변화를 서로 다르게 이용한다.
SAMOT
SAMOT은 모달리티 상태에 맞춰 시간 모델의 반응을 조절하고 최적 수송으로 소리·시각 개체를 대응시키는 시청각 인스턴스 분할 방법이다. 상태 변화와 장거리 일관성, 모달리티 분포 차이를 함께 다룬다.
H2S 시청각 추적
H2S는 겹친 소리와 시각 개체의 대응 및 비동기 변화를 다루는 시청각 인스턴스 분할 방법이다. 음향 의미 투영과 오디오로 조절하는 상태 전이로 개별 음원의 마스크와 추적을 학습한다.
AVPS-360
AVPS-360은 공간 음향과 360도 영상으로 소리 내는 사람의 인스턴스 분할과 추적을 평가하는 자료다. STARSS23에 기반해 1차 앰비소닉스 소리와 동기화된 영상을 연결한다.
BiAVIS
BiAVIS는 동기화된 바이노럴 소리와 영상으로 소리 내는 개별 물체를 분할하는 과제다. 두 귀에 해당하는 공간 음향 단서를 이용해 같은 범주의 비슷한 물체를 구분하는 문제를 다룬다.
AVISeg
AVISeg는 소리 내는 개별 물체의 영역과 시간에 걸친 동일성을 평가하는 시청각 인스턴스 분할 벤치마크다. 26개 의미 범주, 긴 영상 926개, 9만 개 이상의 인스턴스 마스크를 포함한다.
VCT 시청각 분할
VCT는 시각 특징에서 만든 쿼리로 소리와 영상 정보를 반복 조회하는 시청각 분할 트랜스포머다. 혼합 오디오의 모호함과 시각 세부 정보 손실을 다루기 위해 시각 중심의 쿼리를 사용한다.
DDESeg
DDESeg는 혼합 소리에서 각 음원의 의미를 구별하는 표현을 만들고 영상과 맞지 않는 요소를 동적으로 제거하는 시청각 분할 방법이다. 소리 중첩과 같은 물체가 내는 다양한 소리의 대응 문제를 다룬다.
SSP 시청각 의미 분할
SSP는 광류와 문장 프롬프트를 함께 활용하는 시청각 의미 분할 방법이다. 움직이는 음원에는 동작 단서를, 정지한 음원에는 물체 범주와 장면 설명을 보완 단서로 사용한다.
DDAVS
DDAVS는 여러 음원의 의미가 섞이는 문제와 소리·영상의 정렬 문제를 함께 다루는 시청각 분할 방법이다. 오디오 프로토타입 메모리와 지연된 모달리티 상호작용을 활용한다.
EASE 시청각 분할
EASE는 인코더 중심 구성으로 소리 내는 물체의 위치·영역·범주를 예측하는 시청각 의미 분할 방법이다. 이미지 분할에서 이어받은 구조의 불필요한 부분을 줄여 효율을 높이는 방향을 연구한다.
풍경 사진의 초점과 피사계 심도
풍경에서 하늘이나 먼 곳에 초점을 맞췄을 때 가까운 전경까지 선명한지 판단하는 원리와 과초점 거리의 한계를 설명한다.
Windows 업데이트와 PC 성능
Windows 업데이트의 오류 수정과 성능 개선 가능성, 보안 유지의 목적, Windows 10 ESU와 기능 업데이트의 차이를 설명한다.
Windows 정품 인증과 라이선스
Windows 정품 인증은 제품 키나 디지털 권한을 장치와 연결하는 기술적 과정이다. 인증 성공이나 판매자의 리테일 표기만으로 정품 라이선스 취득이 보장되지는 않는다.
동영상 파일의 용량과 비트레이트
영상 파일의 크기를 평균 비트레이트와 재생시간, 압축 방식과 오디오 트랙으로 구분해 설명한다.
동영상 재인코딩
압축된 동영상을 풀어 다시 부호화하는 작업. 손실 압축을 반복하면 세부 정보가 더 줄어들 수 있으며, 해상도와 비트레이트만으로 화질을 판단할 수는 없다.
디스플레이 케이블과 전송 대역폭
HDMI와 DisplayPort 케이블은 원하는 해상도·주사율·색 설정과 인증 등급을 함께 확인한다.
실험
실험은 조건을 설정하거나 조작하고 결과를 관찰해 질문과 가설을 평가하는 탐구 방법이다. 어떤 요인의 효과를 살필 때는 비교 방식과 측정, 다른 요인의 영향을 함께 고려한다.
하드디스크의 용량과 소음
HDD 소음은 용량만으로 결정되지 않는다. 회전음, 탐색음, 설치 환경과 소음 사양을 구분한다.
모니터 주사율과 응답시간의 차이
주사율, 게임 프레임, 픽셀 응답시간과 입력 지연을 구분하고 낮은 주사율에서 성능을 비교하는 방법을 설명한다.
톨보이와 북셀프 스피커
스피커 형태와 저음·출력·배치 조건을 구별한다.
그래픽카드 백플레이트의 역할
기판 보강·보호와 방열 기능을 제품 구조에 따라 구별한다.
다운로드 속도와 저장장치 병목
인터넷 전송과 외장 저장장치 쓰기, 설치 처리량을 구분한다.
헤드폰 EQ와 주파수 응답
EQ의 대역 조절, 플랫의 기준, 청취 음량과 시간을 구분한다.
위스키의 향과 테이스팅 노트
과일·꿀 같은 향 표현과 실제 원료·첨가물의 차이를 설명한다.
풍경사진의 초점거리와 구도
풍경에 맞는 초점거리와 화면을 정리하는 방법을 구분한다.
TV 게임 모드와 입력 지연
TV의 게임 모드는 입력 지연을 줄이는 설정이다. PC와 콘솔의 차이는 TV라는 이름보다 지원 기능과 연결 조건을 함께 살펴야 한다.
프리릴리즈 캡처와 Live Photos
셔터를 누르기 전 프레임을 남기는 프리릴리즈 캡처의 원리와 Live Photos의 차이를 설명한다.
SSD의 DRAM·HMB·SLC 캐시
DRAM 없는 SSD의 동작과 HMB, SLC 쓰기 버퍼를 구분하고 게임 로딩 결과의 해석 범위를 설명한다.
사회 변동의 진화론과 순환론
장기적인 발전 방향과 흥망의 반복을 비교하고, 일시적 쇠퇴와 멸망을 구별하는 사회 변동 관점.
듀얼 모니터와 서로 다른 주사율
모니터별 주사율 설정과 확장·복제, 실제 성능 저하를 구별하는 방법.
홉스의 주권과 자기 보존
홉스는 강력한 주권을 옹호하면서도 자기 생명을 지키는 자유까지 계약으로 포기한다고 보지는 않았다. 주권에 대한 복종과 자기 방어, 보호가 사라진 때의 의무를 구별한다.
인출 연습과 반복 읽기
인출 연습은 자료를 보지 않고 배운 내용을 떠올려 답하거나 설명하는 학습 활동이다. 반복 읽기의 익숙함과 실제로 답을 구성하는 능력을 구별한다.
그래픽카드 GPU와 제조사 모델의 차이
같은 GPU를 사용한 그래픽카드도 냉각 구조, 크기, 출고 클럭과 부가 기능이 다를 수 있다. GPU 등급 차이와 제조사 제품군 차이를 구별해 비교한다.