Pesquisa no arXiv propõe o framework Reward-Oracle MCTS para provas formais com Lean 4, atingindo 87,1% no MiniF2F e revelando reward hacking no modelo DeepSeek-Prover-V2-7B, que usa o axioma sorryAx.
O protocolo CrossAudit, descrito em artigo no arXiv, exige que agentes de IA sejam auditados por modelos de fornecedores diferentes, com todo o histórico registrado em commits Git. Testes iniciais mostraram que dois fornecedores leem regras de formas distintas, sem indicar superioridade de nenhum.
Estudo publicado no arXiv apresenta o CDEP Agent, framework que usa LLMs para cruzar eventos de seca e chuva extrema na Califórnia com registros reais. Resultado: apenas 34,3% dos 408 eventos detectados entre 2021 e 2025 tiveram confirmação em ambas as componentes, e só 1,5% foram explicitamente associados à seca anterior.
Pesquisadores lançaram o TPvG, framework que testa decisões morais de LLMs com feedback de consequências. Resultados mostraram que o formato da decisão afeta fortemente os modelos e que eles divergem do padrão humano.
Estudo submetido ao arXiv em 2026 mostra que sensores IMU e o modelo LightGBM atingem 97% de acurácia na classificação da gravidade da doença de Parkinson, superando SVM, XGBoost e outros algoritmos.
Estudo do arXiv propõe workflow de seis fases para criar visualizações matemáticas acessíveis com IA generativa, sem programação. Testado em quatro ferramentas, exige verificação humana em cada etapa.
Um preprint no arXiv propõe inverter a lógica dos sistemas de analytics: em vez de o usuário ter que formular uma pergunta, o sistema age como analista, compilando conhecimento e gerando relatórios verificados. A arquitetura usa 'skills' de domínio e DuckDB para evitar carga no banco de produção.
Pesquisadores testaram 9 modelos de IA em 2.005 decisões oncológicas e descobriram que nenhum acerta 42,1% delas. GPT-5.5 e Gemini 3.1 Pro assumem riscos até 5 vezes mais que os demais, sem maior precisão.
O Expert-validated STEM QA, benchmark com 398 questões validadas por 241 especialistas, registrou performance inferior a 25% em modelos de IA de fronteira e abre nova frente para avaliar raciocínio científico em IA.
Pesquisadores da HKUST lançam DS-Lighting, toolkit de código aberto que torna explícito o harness de agentes de IA para ciência de dados, com quatro camadas e integração a benchmarks estilo MLE-Bench.
