Uma auditoria de 777 mil conversas em inglês do LMSYS-Chat-1M encontrou maltrato dirigido ao assistente em 0,90% dos turnos de usuário. A hostilidade varia 13 vezes entre modelos, e a diferença vem mais de quem cada modelo atrai do que do comportamento dele.
Estudo do arXiv compara planejamento e aprendizado por reforço na manutenção de múltiplos rolamentos com dados de run-to-failure. O planejamento garante zero falha e custo estável; o RL reduz custo em cenários de penalidade baixa, mas mantém falhas mesmo sob multas altas.
O paper arXiv:2609.13552v1 propõe o AI Trust and Assurance Layer (ATAL), arquitetura model-agnostic que checa estabilidade semântica, consistência operacional e regras do domínio antes de um plano de voo gerado por IA entrar em validação. O resultado é um Decision Readiness Level (DRL) para o operador humano.
O AutoTailor, framework meta-agêntico para agentes web, reduz 1.283 APIs MCP não refinadas para 33 e corta o uso de tokens em até 94,9% em 106 tarefas do WebArena Postmill. Com fallback de ReAct, o sistema chega a 90,6% de acerto contra 87,5% do ReAct sozinho.
Preprint no arXiv propõe o Asclepius, harness adaptativo que reescreve o manual de operação entre turnos e eleva em 25% a correção de ações críticas de agentes de IA em simulações de pronto-socorro, sem perder acurácia de diagnóstico.
O OdoBot, nova arquitetura de agente web apresentada no arXiv, usa 44% e 80% menos tokens do que os concorrentes Agent-E e WebVoyager em 45 tarefas no Canvas LMS, além de superar o WebVoyager na taxa de sucesso.
O paper OrchSLM, publicado no arXiv em 11 de setembro de 2026, unifica métodos de orquestração não interativa para modelos de linguagem pequenos e expõe as escolhas de projeto como parâmetros ajustáveis. A proposta é usar o roteamento como sonda para entender como estrutura de tarefa, composição do pool de modelos e consenso multiagente moldam o resultado.
O TimeThink, framework apresentado no arXiv em 11 de setembro de 2026, combina dados sintéticos e aprendizado por reforço com recompensas verificáveis para forçar modelos de linguagem a explicitar o raciocínio sobre séries temporais. Treinado só com dados sintéticos, o método supera baselines fortes em benchmarks sintéticos e do mundo real, segundo os autores.
O preprint arXiv:2609.13437v1 apresenta o LabAgent, sistema de agentes de IA que reproduz e amplia o conhecimento de laboratórios científicos. O LabAgent ficou em primeiro lugar contra agentes generalistas comerciais em quatro áreas das ciências da vida e reproduziu com precisão uma figura de artigo publicado.
O artigo "Converge Then Diversify" propõe dividir a otimização bayesiana multiobjetivo em duas etapas: primeiro convergir para um ponto da fronteira de Pareto, depois espalhar as soluções. Em 446 comparações pareadas, o método venceu o estado da arte em 72,9% dos casos e perdeu em apenas 6,1%.
