Revisão no arXiv organiza 40 estudos sobre IA no recrutamento, mapeia a evolução dos modelos de matching aos agentes e mostra que nenhum trabalho avalia utilidade, justiça, privacidade e segurança ao mesmo tempo.
Iris-mini e Iris-pro, agentes de busca open-source de 35B-A3B e 397B-A17B, atingem até 88,6 no BrowseComp e 92,9 no DeepSearchQA. O paper no arXiv detalha o método SFT-RL climbing e promete liberação dos pesos com a receita completa.
Estudo no arXiv usa KNN, Random Forest e SVM para classificar contingências elétricas em seguro, moderado ou severo. O Random Forest atingiu F1 de 0,97 no IEEE-30 e 0,86 no IEEE-14, com PCA contribuindo mais que SMOTE para o desempenho.
O EXAONE Finance, modelo fundacional de séries temporais para previsão financeira, ficou em primeiro lugar nas três categorias do benchmark FinVerse. A arquitetura attention-free e o pré-treinamento com dados de ações, câmbio, cripto e renda fixa explicam o resultado.
Survey publicado no arXiv em setembro de 2026 propõe um framework unificado para agentes de IA proativos, com métricas para timing, segurança e valor de intervenção. O estudo mostra que classificação offline não prevê sucesso em implantação real.
Pesquisadores criaram o GPS-Bench, benchmark para simular com LLMs quem é afetado por políticas públicas. Resultados iniciais mostram que fine-tuning em dados reais supera abordagens multiagente na previsão de impacto.
Estudo do arXiv de setembro de 2026 mostra que a agregação temporal EMA é o fator decisivo na evicção agressiva de KV cache, com o InertiaKV-Lazy acelerando a decodificação em até 46%.
Estudo submetido ao arXiv em setembro de 2026 propõe o PPO-STGNN, algoritmo que integra aprendizado por reforço e redes neurais de grafos espaço-temporais para agendar tarefas DAG em cloud-edge-end com melhor balanceamento de carga e baixo tempo de conclusão.
Pesquisadores submeteram ao arXiv o NTEP-R, mecanismo que recompensa cada chamada de ferramenta que de fato coleta evidência necessária em modelos visão-linguagem. O NTEP-8B, instanciação de 8B de parâmetros, melhorou precisão e eficiência em sete benchmarks de imagem.
Artigo no arXiv apresenta o Dude, sistema de detecção dupla com múltiplos agentes que compara papers e códigos, elevando recall em até 22,8% e reduzindo falsos positivos.
