Framework TRUSS, publicado no arXiv, combina auditoria estática e execução controlada para gerar skills de agentes de IA com 100% de detecção de vulnerabilidades, reduzindo taxas de sucesso de ataques pela metade em GPT 5.4 e 5.5.
Novo framework RATTL ajusta automaticamente a cautela de um agente de IA ao seu nível de incerteza, prometendo maior segurança em tomadas de decisão enquanto o sistema ainda está aprendendo sobre o ambiente.
Framework inspirado no SuperMemo usa repetição espaçada para agendar revisões no treino de IAs, recuperando até 37 pontos percentuais de conhecimento que seria perdido. A técnica não altera arquitetura do modelo.
O Agent Lightning v1.0 é um framework leve para RL agêntico que melhorou o modelo Qwen3.5-9B em 14.6 pontos no SWE-bench com apenas 6K exemplos de treinamento.
Novo agente de IA (SGHA) descobre problemas de pesquisa científica usando apenas um modelo local de 9B, sem depender de APIs proprietárias e aumentando a transparência do processo.
Pesquisa do arXiv mostra que 96,8% dos métodos projetados por agentes de LLM são recombinações de soluções humanas existentes —questionando o potencial real de inovação autônoma da IA.
Framework SAGE cria storyboards automáticos que superam diretores humanos em teste, reduzindo 83% do tempo de autoria e sendo aceito em 87% dos casos na produção real.
Pesquisa publicada no arXiv propõe o SIRLM, um novo modelo para corrigir o "drift" de raciocínio de LLMs em Knowledge Graphs. O método acopla regras estruturais à lógica da IA, testado em 36 datasets.
Pesquisa do arXiv propõe algoritmo que inicia com acesso mínimo a recursos para agentes de IA, expandindo apenas após falha. Em testes, reduziu em 48% o consumo de tokens em tarefas de data center.
Novo framework LEGO-RL melhora o desempenho do modelo Qwen em até 9,4% em benchmarks de código, resolvendo problemas de alinhamento em ambientes de execução.
