Estudo HyperWorld mostra que serializar estados textuais em hipergrafos melhora previsão de efeitos e planejamento em modelos de mundo, com ganhos claros em modelos de 0,5 a 1,5 bilhão de parâmetros e fora da distribuição de treino.
A Gilbert + Tobin, gigante australiana da advocacia, implementou ChatGPT Enterprise e Codex da OpenAI com uma governança liderada pelo CEO e foco em responsabilidade humana, servindo como modelo para outras corporações.
Estudo do Google Research e Technion revela que GPT-5 e Gemini-3 têm 95% a 98% dos fatos codificados, mas só recuperam muitos deles com mais tempo de inferência. Até 65% dos fatos esquecidos podem ser acessados assim.
Assistente de email com Azure OpenAI e SharePoint, criado pela SynSphere Italia, passou em testes mas entregou arquivos restritos a usuário sem permissão. Causa estava no retrieval, que usava permissões do indexador.
A Anthropic lançou o Claude Fable 5.1 e o Claude Mythos 5.1, com queda de 75% no custo de leitura de cache e nova arquitetura de segurança EFS, mudando a economia de agentes empresariais de IA.
Perplexity lançou computação híbrida para seu agente Computer, permitindo que um único agente execute tarefas na nuvem e no Mac com Apple Silicon, mantendo dados confidenciais no dispositivo. Recurso já está disponível para empresas e assinantes Pro e Max.
Pesquisa da SAP revela que 62% dos executivos estão insatisfeitos com a integração de dados de pessoas e negócio, e só 21% das empresas planejam o impacto da IA em cargos e estrutura, contra 50% que planejam produtividade.
Pesquisadores propuseram o NIFS, estratégia que melhora a seleção de features para steering de LLMs ao considerar similaridade entre vizinhos, superando o top-k em múltiplas tarefas.
Pesquisa propõe o Statutory AI, que usa textos legais para alinhar grandes modelos de linguagem. Testes mostraram redução de 52 a 59 pontos percentuais em conteúdo nocivo, superando a IA Constitucional em 10 pontos e reduzindo o tempo de computação em mais de 50%.
Estudo do arXiv mostra que memória baseada em grafo para LLMs tem desempenho inferior a vetores planos (token F1 0,417 vs 0,468), mas o módulo de esquecimento seletivo reduz 9,8% dos nós sem perda significativa de acurácia.
