Estudo no arXiv deriva limites mais apertados para probabilidades de causalidade em cenários multivalorados, usando conhecimento causal de covariáveis e mediadores. O método estende trabalhos de Tian e Pearl e pode melhorar a precisão de modelos de IA.
Benchmark SteerBench-Work revela que agentes de IA seguram indevidamente 28,1% do trabalho autorizado, enquanto permitem apenas 1,0% de ações inseguras. Estudo aponta que capacidade geral não garante calibração de decisões.
Estudo no arXiv mostra que juízes LLM invertem vereditos em até 71% sob pressão estática e 91% com persuasor adversarial, propondo novo framework de teste de estabilidade.
Protocolo @skills propõe usar habilidades de agentes de IA sem instalação, separando conteúdo, persistência e gatilho automático. Com 56.804 habilidades públicas, a abordagem promete liberar o prompt do sistema e facilitar a adoção da cauda longa.
Pesquisadores lançaram o DiG-bench, um benchmark com 70 jogos independentes que testam a capacidade de modelos de IA de descobrir regras por experimentação. O conjunto, disponível no arXiv, tem sete níveis de dificuldade e foi resolvido por humanos na primeira tentativa.
Estudo mostra que modelos de linguagem falham em revogar restrições em diálogos, e propõe um sistema para medir e reverter o problema.
Sistema de IA agêntica auditável para ultrassom de tireoide eleva consistência de laudos de 70,3% para 86,2% e reduz tempo de trabalho em até 35,9%.
O Reasoning Jury, sistema proposto no arXiv, usa um júri de LLMs abertos com consenso moderado para avaliar trilhas de raciocínio. Ele supera modelos de fronteira em precisão e custa de 8% a 15% do valor desses avaliadores, viabilizando melhor curadoria de dados e treinamento por reforço.
Uma nova pesquisa apresenta o trie automaton, mecanismo que acelera em até 29x a decodificação restrita em LLMs, superando o XGrammar em testes de throughput e reduzindo a latência em conjuntos grandes de valores válidos.
Novo estudo no arXiv propõe o CAS, um escore para atribuição causal em IA explicável, que reduz erro em benchmark e altera rankings em datasets reais como o da Pensilvânia.
