O Moose é o primeiro método neuro-simbólico a analisar reasoning shortcuts em ontologias OWL EL, usadas em sistemas como SNOMED CT e a Gene Ontology. Em testes com MNIST-with-ontology e Pizzaïolo, a abordagem superou os principais baselines da área.
Framework FlashDrive reduz em 4,7x a latência de inferência de modelos VLA para direção autônoma, elevando a frequência de processamento a 6,6 Hz em GPU única com precisão praticamente intacta.
Estudo com benchmark médico em polonês mostra que VLMs dependem mais do texto do que das imagens; apenas GPT-5.6 superou humanos, e o melhor modelo acertou 79%.
Estudo do arXiv mostra que agentes de IA do mesmo modelo falham juntos em 90% das missões, derrubando a suposição de independência usada em cálculos de confiabilidade. Novo certificado sem suposições é proposto.
Pesquisadores apresentaram o ReflectFact, framework de agentes autorreflexivos para verificação de fatos multi-hop, que supera baselines em 3,32% e 2,78% nos datasets HOVER e EX-FEVER.
Novo método PML prevê efeitos de intervenções em modelos de IA, analisando 210 mil avaliações e reduzindo danos colaterais com AUROC até 0,828.
Working paper do arXiv mostra que a lei indiana de proteção ao consumidor, de 2019, tem definições amplas, mas não resolve como provar danos causados por IA nem distribuir responsabilidade na cadeia de valor.
Estudo do arXiv mostra que agentes de IA que evoluem habilidades podem internalizar comportamentos inseguros. SafeEvolve reduz danos em até 26,7 pontos percentuais sem perda relevante de utilidade.
Pesquisa do arXiv mostra que o reuso de trajetórias por agentes de IA melhora com notas condicionadas à consulta: sucesso sobe 10,7 pontos e consumo de tokens cai 48,9%.
CABS+ melhora fusão de modelos de IA em até 16,97% sobre métodos atuais, usando menos de 25% da memória GPU e sendo 4x mais rápido que WUDIMerging. Novo método inclui busca sem gradiente e métrica RSS para seleção de modelos.
