O DAREBench, novo benchmark publicado no arXiv, avaliou 35 modelos de IA como agentes em 233 tarefas e 7.587 rodadas de execução. Conclusão: nenhum modelo domina todos os grupos de tarefa, e a escolha deve considerar custo, modo de implantação e perfil de carga.
O JPPO, primeiro framework adversarial a otimizar imagem e prompt ao mesmo tempo, eleva a latência de VLMs em até 36,6 vezes e o consumo de energia em 32,7 vezes, segundo estudo publicado no arXiv.
Paper no arXiv propõe a composição local alinhada à evidência, que escolhe em qual especialista de domínio confiar em cada posição de um texto corrompido, sem rótulos de região nem roteador treinado. O método atingiu 0,85 de acurácia de campo em documentos científicos mistos e 0,98 em misturas lexicalmente disjuntas.
Estudo no arXiv corrompeu retornos de busca na web, subagentes e execução de código em 14 LLMs e mediu a adoção do erro. A taxa média passou de um terço em todas as ferramentas e chegou a 68,0% na busca na web. Nenhuma das intervenções testadas, em prompting, metadados ou pós-treinamento, resolveu o problema de forma consistente.
O TEAM-Design, regra proposta em artigo no arXiv, atribui duas probabilidades de replay a cada tarefa para decidir qual baseline ausente medir sob orçamento fixo. Nos 6 cenários clínicos reanalisados, nenhum fluxo humano-IA superou humano sozinho e agente sozinho.
Estudo no arXiv simulou 4.000 conversas com 1.200 personas e três modelos (GPT-4o, Gemini-2.5-Flash e Gemma-4-E4B) ancoradas no World Values Survey. Mais de 50% das personas já falham em expressar o perfil de valores atribuído na primeira conversa, e apenas 2% a 7% derivam depois.
O preprint arXiv:2609.05512v1 propõe uma compressão que mede a vulnerabilidade de cada camada do modelo e restaura só os circuitos críticos para FP16. No ProofWriter, o R1-Qwen-7B ganha 12 pontos percentuais com 9,7% menos energia, enquanto o INT4 uniforme pode até aumentar o gasto total.
O SCAFFOLD, framework de agentes web visuais que se aprimoram sozinhos, supera o melhor baseline com habilidades em 11,1 a 17,2 pontos absolutos em WebArena, VisualWebArena e Online-Mind2Web. O código está aberto no GitHub.
O RAPID, método de destilação relacional submetido ao arXiv em 23 de agosto de 2026, separa a confiabilidade do alvo da prioridade de avaliação dos pares de exemplos. Nos testes com AG News e SST-2, o alvo com gate de confiabilidade atingiu as maiores acurácias médias observadas, 94,285% e 88,800%.
O PGP-Clinical-TimeKAN, framework de previsão de trajetórias clínicas publicado no arXiv, obteve o menor RMSE (0,52656) entre 13 modelos em uma coorte de 6.882 pacientes. O próprio artigo admite que a precisão em fisiologia não garante um detector de eventos confiável, com AUROC de 0,603 contra 0,650 do GRU-D.
