Artigo no arXiv propõe usar um LLM pré-treinado como componente exógeno de um world model para prever chegadas incertas de jobs. O método AWMP reduziu o atraso ponderado em 6% a 21% em job-shop dinâmico e 22% a 46% em flexible job-shop, contra a melhor de oito regras clássicas de prioridade.
O SpatialBrain, framework publicado no arXiv, melhora o raciocínio espacial de modelos de visão-linguagem sem alterar o backbone. O sistema venceu quatro de cinco benchmarks e empatou no quinto ao acumular experiência sobre quando observar, medir ou mudar de referencial.
O Transformer é a arquitetura de rede neural de 2017 que trocou a recorrência por self-attention e virou base de BERT, GPT e Gemini. Entenda Q, K, V, multi-head, positional encoding e o fluxo completo do bloco.
O TEAL, método apresentado no arXiv, evolui uma biblioteca de ferramentas reutilizáveis para agentes de código que consultam data lakes, sem usar rótulos. Com 15 passos de orçamento, o Sonnet-5 ganhou 9,3 pontos no KramaBench e 21,7 no LakeQA.
O Research Progress Graph (RPG) registra a evolução de uma ideia científica como estados conectados por transições cognitivas, com evidências e raciocínios anotados. Comparados ao RPG, os 35 agentes de pesquisa analisados são representações incompletas.
O Guided-AP usa poucas medições exatas para corrigir erros do attribution patching, reduzindo o erro em até 26% em um prompt e de 75% a 79% em efeitos médios de factual completion, segundo artigo no arXiv.
Estudo no arXiv com 161 execuções de calibração PTQ em e5-base-v2, BGE-M3 e EmbeddingGemma-300m mostra variação de +1,47 a -71,53 pontos de NDCG@10 com a mesma grade de learning rate. Regra de aceitação por validação evitou 30 seleções prejudiciais, mas abriu mão de 11,13 pontos em uma abstenção.
Artigo no arXiv prova que os limites de Shu et al. para probabilidades de causalidade são ótimos em qualquer dimensão e unifica PNS, PSub, PRep e PN em uma única fórmula fechada.
O paper ProMemAgent, publicado no arXiv, propõe memória prospectiva para agentes de IA agirem sobre intenções adiadas por horas ou dias. O trabalho também apresenta o CPMBench, benchmark com 1.000 instâncias em oito categorias cotidianas.
Estudo no arXiv descreve como erros armazenados em memória de agentes de IA se regeneram em ciclos de abstração e execução. O design Anti-Persistence, que reconstrói orientações sob demanda e as descarta após o uso, obteve maior sucesso e menor custo de chamadas ao LLM.
