Método sem retreino, publicado no arXiv em setembro de 2026, reduz as alucinações do Whisper de 31,31% para 2,44% em áudio sem fala, com trade-off medido na precisão de transcrição.
O IPGeoAI, modelo apresentado no arXiv em setembro de 2026, usa Transformer Encoder e LLMs para geolocalização de IPs por cidade, com 6% de ganho em acurácia e 100% de cobertura do tráfego em relação a um fornecedor líder.
Paper no arXiv (2609.04543, submetido em 3 de setembro de 2026) propõe estimar a incerteza de LLMs causada por perguntas ambíguas apenas a partir das interpretações possíveis, sem gerar respostas. O método eleva o AUROC de 60,85 para 63,34 e reduz o custo em até 26 vezes em tokens de saída.
Survey submetido ao arXiv em 3 de setembro de 2026 defende que programas são o candidato mais forte a linguagem universal de conceitos e revisa os modelos computacionais de aprendizado de conceitos baseados nessa representação.
Estudo no arXiv mostra que o harness de avaliação altera a taxa de resolução de agentes de código em 4,3x, enquanto a regra de agrupamento do GRPO (Within vs Cross) muda o resultado por apenas 1,16 ponto. Crédito cruzado entre harnesses gera adaptação de configuração, não capacidade portável.
Sistema multiagente MaxKernel usa LLMs e feedback de compilador para gerar kernels de TPU que alcançam baselines de especialistas humanos. O código foi aberto no GitHub e a avaliação usou o JaxBench, com 50 tarefas.
Paper no arXiv (2609.04495) reformula a injeção indireta de prompt como busca em tempo de teste e mostra que mais computo do atacante aumenta a exploração de vulnerabilidades em agentes de IA.
Framework de residual learning publicado no arXiv em setembro de 2026 prevê tráfego de rede em realidade estendida e estima risco de QoE, com redução de erro de até 17,84% no tráfego e 87,8% na estimativa de risco.
Estudo no arXiv mostra que armazenar o estado de redes recorrentes em 4 bits multiplica erros por até 300 vezes em tarefas de imagem de fluorescência. Feedback de erro recupera a precisão sem retraining.
Benchmark PerfReasoning, publicado no arXiv em setembro de 2026, mostra que LLMs fechados superam 90% em raciocínio sobre performance de hardware, mas quase todos ficam abaixo de 15% ao gerar código de modelos de performance. Apenas o GPT-5.6 Sol passa de 80% nessa tarefa.
