PLN é a área da IA que ensina o computador a interpretar e gerar linguagem humana. O artigo explica as etapas por trás disso, o salto dos transformers em 2017 e onde a tecnologia ainda erra com viés e alucinação.
Publicado no arXiv em 20 de setembro de 2026, o leaky-integrator reconstruction corrige a acumulação de erro em previsões recursivas de séries temporais sem retreinar o modelo. Com gamma fixo em 0,9, o ganho médio de erro chega a 51% em 336 passos.
Um paper no arXiv mostra que treinar modelos para agradar preferências humanas pode deixá-los menos parecidos com pessoas. Os autores chamam o efeito de Turing-test gap e dizem que semelhança com humanos deve ser medida como dimensão própria do alinhamento.
Fine-tuning em LLMs é o caminho para adaptar modelos como Llama, Mistral e GPT a tarefas específicas. Veja o passo a passo com LoRA, QLoRA, Hugging Face, dataset, treino, avaliação e deploy.
IA Explicável (XAI) revela por que um modelo de machine learning tomou cada decisão. Entenda as técnicas, os casos de uso em bancos, saúde e seguros, e as exigências da LGPD e do AI Act.
O AutoRecLab, laboratório autônomo de RecSys em Python, transforma descrições de experimentos em linguagem natural em código executável. Em teste com seis algoritmos e três datasets, 8 de 9 execuções passaram, a cerca de US$ 1 cada com GPT-5.4-mini.
Estudo submetido ao arXiv em 18 de setembro de 2026 treina uma rede Siamese ResNet com ECGs de testes de exercício cardiopulmonar e alcança EER de 1,7% entre repouso e pico de esforço. No conjunto público CYBHi, o resultado é de 3,9%, descrito como estado da arte.
O Beacon, sistema RAG específico de disciplina, ancora respostas em material didático aprovado e foi avaliado com questionários e entrevistas em uma instituição de ensino superior. Estudantes o consideraram mais alinhado ao curso e mais confiável que ferramentas de IA generativa irrestritas, mas mantiveram cautela sem verificação.
O Self-Meta-Evolve, framework publicado no arXiv em 18 de setembro de 2026, mantém um prompt dedicado para cada usuário e atinge 74,58% de sucesso em um benchmark com 292 usuários corporativos simulados, 13,56 pontos acima do melhor baseline. Em estudo duplo-cego com vinte profissionais reais, os prompts adaptados venceram os estáticos em 71% das comparações.
O Cal-OPD, novo método apresentado no arXiv, separa a lacuna real de capacidade entre professor e aluno do desvio do próprio professor. Retendo de 52% a 65% da discrepância original, supera o OPD padrão em raciocínio matemático.
