Paper no arXiv apresenta o SHAQ, defesa contra ataques de inversão de embeddings em bancos de dados vetoriais de RAG. O método troca embeddings de documentos por shadow queries e alcança taxa de recuperação de 0,2104, com utilidade de busca preservada.
Framework sem treinamento, o DCFA usa grafos causais e raciocínio contrafactual para identificar o erro decisivo em sistemas multiagente de LLMs, com ganho de até 8,27% de precisão no benchmark Who&When.
O PLUME, framework publicado no arXiv em 4 de setembro de 2026, personaliza LLMs treinando apenas uma pequena matriz por usuário em um subespaço compartilhado, reduzindo parâmetros em mais de 95% sem perder desempenho.
FinalityBench, novo benchmark publicado no arXiv, avalia agentes de IA pelo prejuízo monetário real em decisões financeiras irreversíveis sob dados atrasados e contraditórios. Uma política de bloqueio por finalidade atinge 85,4%, enquanto LLMs acertam na mesma taxa mas perdem o dobro do dinheiro.
Estudo no arXiv analisou 61.077 artigos do PubMed e descobriu que 42% das publicações biomédicas que usam LLMs dependem de modelos já aposentados ou com aposentadoria marcada em até dois anos. A mediana entre publicação e descontinuação é de 538 dias.
Método SQL-Zero treina agentes Text-to-SQL sem nenhum dado anotado por humanos, usando self-play entre dois LLMs e execução contra o banco como única verdade. Ganhos de 6,6 pontos em 3B e 7,3 pontos em 7B no benchmark BIRD.
Paper no arXiv apresenta o C-DPPO, método de post-training para agentes de código que ganhou +3.0 pontos sobre o DPPO padrão nos modelos Baize5B e Baize10B no benchmark TMax-100, com garantias formais de fidelidade de token.
Artigo no arXiv apresenta o HackProbe, monitor black-box que detecta reward hacking em modelos de linguagem autoevolutivos com 0,763 de AUROC e reduz falsos positivos de 0,706 para 0,434.
Benchmark ERPBench, publicado no arXiv, mostra que DeepSeek lidera em cenário Solo e Gemini em Arena, com os mesmos 100 problemas apontando vencedor comum em apenas 21 casos.
O CGM-Rec, framework de memória de grafos contínua publicado no arXiv em setembro de 2026, adapta sistemas de recomendação à mudança de intenção do usuário sem retreinar o modelo, com ganho de até 29,58% em HR@1 sobre o baseline de LLM mais forte no dataset Bundle.
