Pesquisa submetida ao arXiv em agosto de 2026 mostra que leaderboards de agentes de IA medem especialização, não capacidade geral — e propõe uma disciplina de relatório de uma página para decisões corporativas de adoção.
Pesquisa no arXiv propõe duas abordagens para detecção de anomalias em vídeo: um método sem treinamento e um agente multimodal que se autocorrige durante a análise. O estudo apresenta o benchmark VAGU-T, com 7.567 vídeos, e a métrica JeAUG.
Pesquisa submetida ao arXiv propõe o AHPSO, híbrido de Particle Swarm Optimization com injeção adaptativa de gradiente. O estudo mostra em quais problemas a abordagem supera o PSO padrão e o CMA-ES, sem reivindicar superioridade universal.
Estudo submetido ao arXiv em 6 de agosto de 2026 usa aprendizado de máquina simbólico para criar correções interpretáveis à equação de Peng-Robinson em misturas de hidrocarbonetos e nitrogênio. O método melhora a precisão das previsões em todos os sistemas testados.
Artigo no arXiv apresenta o AgonAlpha, sistema autônomo de descoberta de alfas com revisão adversarial e veto, que gerou alfas SPECTACULAR na WorldQuant BRAIN — Fitness de 9,50 e Sharpe de 3,48 — mantendo trilha completa de evidências.
Um paper no arXiv prova matematicamente que a verificação local — a checagem passo a passo de agentes de IA — não detecta inconsistências globais de contexto, e propõe o Ksetra, procedimento que mede o conflito de evidências e decide quando o modelo deve se abster.
Paper no arXiv propõe o EvoGraph-Mem, framework que trata a memória de agentes de linguagem como um grafo editável, com curadoria ativa para evitar que insights desatualizados se acumulem e prejudiquem tarefas de longo prazo.
Estudo com 23 modelos abertos e mais de um milhão de respostas mostra que mitigações de conformidade em LLMs melhoram a resistência à pressão de pares apenas à custa da receptividade — e aponta o raciocínio como única exceção.
Preprint submetido ao arXiv em agosto de 2026 apresenta o Thea, infraestrutura que orquestra capacidades robóticas como ferramentas e usa grafo de cena e exit codes para fechar o loop entre agente e mundo físico.
Estudo submetido ao arXiv propõe o AI-Tutor, modelo de aprendizado por reforço que equilibra conteúdo novo e revisão para reduzir a evasão em cursos online. Avaliação com 23 milhões de registros de 33,7 mil alunos indica ganhos em engajamento, retenção e resultado final de aprendizagem.
