Um LLM recomendador ajustado com constrained GRPO passou a explicar suas próprias indicações com fidelidade e sem conteúdo prejudicial, segundo o artigo arXiv:2609.13657v1. A taxa de aprovação nos três critérios avaliados subiu de 64,9% para 95,6% nas avaliações internas e de 67,7% para 93,1% com um juiz independente.
O CoMA-DiT, Diffusion Transformer bidirecional de aumento cross-modal, superou 20 baselines em decodificação de estados cerebrais multimodais, com ganhos de 4,28% em acurácia e 6,70% em macro-F1. O método trata modalidades pareadas como fontes de supervisão generativa mútua, não apenas como entradas para fusão.
O Mr.LHDR, benchmark publicado no arXiv em 10 de setembro de 2026, exige em média 12,1 conclusões intermediárias por pergunta e mostra que o melhor sistema avaliado chega a apenas 43,1% de acurácia geral e 34,3% de acurácia estrita. Remover as imagens derruba o DACS em 12,6 pontos.
Pesquisadores post-treinaram o Qwen3.8-27B para estilo de resposta em coreano e viram abstenção e divulgação não solicitada se moverem, mesmo sem estarem no objetivo de treino. As estimativas de taxa de resposta variam de +0,82 a -1,53 ponto percentual entre sementes de estilo e neutras.
O artigo arXiv:2609.11286v1 descreve um gerador que cria empresas fictícias completas, com clientes, vendas e chamadas coerentes, sem usar nenhuma base real. O realismo médio subiu de 60,3 para 99,1 em 23 companhias geradas.
O paper arXiv:2609.11282 cria o primeiro benchmark com verdade fundamental para medir se anotações de texto realmente ajudam modelos de previsão de séries temporais. Seis estimadores de informação mútua foram testados e todos apontaram anotações corretas como as mais informativas, com validação em sete datasets reais.
O NovGauge, novo benchmark publicado no arXiv, avalia como 18 LLMs julgam a novidade de papers científicos em três dimensões. As taxas de alucinação chegam a 39% e mais de 70% das justificativas corretas citam evidências que não sustentam o argumento.
O SemVerBench é o primeiro benchmark a medir se LLMs entendem regras de versão em npm, PEP 440 e Cargo. Nos casos de borda do PEP 440, o GPT-5.1 acertou 0 de 26 itens, enquanto o Claude ficou entre 97% e 100%.
Estudo na arXiv testa ecossistemas de 3 a 13 modelos abertos por cinco gerações e conclui que a concentração de mercado não altera o destino nem a velocidade do colapso. O que define o ritmo é quem fornece o texto do pool e a suscetibilidade de cada fornecedor.
O Benchmark Radar, banco de dados vivo e motor de busca de benchmarks de IA, foi apresentado no arXiv e reúne 1.283 registros de fontes e 12.916 observações numéricas. O sistema faz coleta diária a partir de 37 fontes e lança dashboard com leaderboard, fronteira de Pareto e visões de saturação.
