Estudo submetido ao arXiv em setembro de 2026 mostra que o aprendizado ativo encontra o melhor resultado registrado de enriquecimento de terras-raras em 16 a 24 experimentos, contra 48 no método não adaptativo. A análise usa registros do fluxo CICERO, do Pacific Northwest National Laboratory.
Artigo no arXiv propõe um sistema GeoAI multiagente, com humano no circuito, que inclui habitats de peixes e focas e impacto em comunidades no cálculo de rotas marítimas no Ártico, em vez de otimizar apenas tempo e combustível.
O preprint Gradland, submetido ao arXiv em 8 de setembro de 2026, propõe que gradientes e Jacobianos caracterizem a estrutura da experiência fenomenal. O paper introduz as medidas de rank efetivo e coesão, baseadas em complexidade de Kirchhoff, e afirma explicar sete fenômenos, da duração da experiência ao que é aprender.
A OpenAI anunciou em 10 de setembro de 2026 o Data agent, recurso do ChatGPT Work que conecta dados corporativos e monta dashboards interativos por linguagem natural.
O artigo arXiv:2609.06063v1 apresenta um framework pós-hoc que converte rastros de execução de agentes de IA em relatórios estruturados e explicações em linguagem natural fiéis ao comportamento observado. Segundo os autores, o método supera explicações geradas por LLM de forma ingênua e identifica alegações sem suporte, ações injustificadas e lacunas de evidência.
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.
