Pesquisadores apresentam o PROVE-RT, framework que usa LLMs para gerar provas mecanizadas de escalonabilidade em sistemas de tempo real, alcançando 44,7% de sucesso contra falha do prompting direto.
Pesquisadores propuseram o ARAC-Bench, um framework que avalia o processo de pesquisa de sistemas de IA autônomos. Em testes com 11 frameworks, o melhor obteve apenas 67,9 de 100, revelando uma lacuna significativa na simulação de metodologias humanas.
Estudo do arXiv propõe camada Matrix para tornar agentes de IA auditáveis, mas revela risco de bloqueio excessivo em transferências entre contextos.
Estudo no arXiv mostra que Estratégias de Evolução (ES) superam Reinforcement Learning (RL) em cobertura de soluções para LLMs, melhorando pass@k e desempenho em matemática. A técnica pode ser alternativa viável para pós-treinamento em domínios de descoberta.
Pesquisadores apresentaram o Spatial Memory Agent (SMA), um framework que permite a VLMs congelados melhorar raciocínio espacial sem re-treino nem ferramentas externas, alcançando a melhor acurácia na maioria das 20 avaliações em cinco benchmarks.
Um modelo de visão-linguagem que combina YOLO e CLIP alcançou 98,54% de acurácia ao classificar mosquitos infectados com dengue a partir de vídeos.
Pesquisadores apresentam o SEAG, framework que substitui entidades sensíveis por aliases em pipelines RAG, permitindo uso de LLMs externos sem expor dados confidenciais. Modelos atingiram mais de 80% de precisão na métrica User.
Framework multi-agente com LLMs automatiza taxonomia de preços em varejo, alcançando F1 0,83 e precisão acima de 90% em alimentos. Publicado no arXiv em agosto de 2026.
Estudo do arXiv propõe pipeline de IA que transforma tickets de ITSM em insights executivos, com avaliação positiva de stakeholders.
Pesquisa do arXiv usa complexidade de circuitos para mapear os limites dos transformers, arquitetura central dos LLMs. O estudo compara recursos como atenção e precisão com circuitos lógicos clássicos.
