ERPBench: benchmark testa agentes de IA em decisões empresariais
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.
CGM-Rec: memória de grafos contínua melhora recomendação sob mudança de intenção
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.
DevRev NL2SQL: benchmark com 900 consultas desafia sistemas de linguagem natural para SQL
Paper publicado no arXiv em setembro de 2026 apresenta o benchmark DevRev NL2SQL, com 900 consultas verificadas sobre esquemas empresariais aninhados, e uma arquitetura agêntica consciente de custo que atinge 91,7% de acerto, 54,6 pontos acima do melhor concorrente.
SiLR: novo método para agentes de IA com LLM melhora recuperação em cenários de energia
Paper no arXiv apresenta o SiLR, método de admissão estrutural para agentes de LLM que recupera 21/21 episódios em Gym-ANM contra 0/21 de gates escalares e bloqueia ações fisicamente inseguras que os métodos tradicionais deixam passar.
IRP: novo ataque envenena dados de IA preservando a qualidade das imagens
Artigo publicado no arXiv em 4 de setembro de 2026 apresenta o Imperfect Restoration Poisoning (IRP), método que envenena dados de treinamento de IA preservando a qualidade das imagens e superando o CUDA em oito baselines e cinco defesas testadas.
Estudo audita pipelines de IA e revela falhas na recuperação de objetos selecionados
Estudo no arXiv audita 600 perguntas do HybridQA e mostra que o BM25 puro perde o objeto selecionado em 26,6% dos casos, enquanto a recuperação híbrida com reranking falha em apenas 1,0%. Pesquisadores lançam o Returned-Object Profile (ROP) para auditar handoffs em pipelines de IA.
Tau-tau-bench: benchmark testa agentes de IA construindo agentes de verdade
O hyper-tau-bench, publicado no arXiv em 4 de setembro de 2026, avalia se agentes de IA conseguem construir agentes de atendimento completos. Claude Opus 5 sob Claude Code passou em 23,9% das simulações, contra 82,2% do teto escrito por especialistas.
Estudo mostra que supervisionar 0,05% dos tokens basta para treinar raciocínio de LLMs
Estudo no arXiv mostra que supervisionar apenas 0,05% dos tokens, um ou dois por trajetória, iguala ou supera o treino completo no pós-treinamento de LLMs. O resultado foi validado em nove configurações professor-aluno com Qwen3 e Llama.
La Agente Óptima: IA agente assume laboratórios autônomos de ciência
Framework de IA apresentado no arXiv em setembro de 2026 supervisiona campanhas de otimização bayesiana em laboratórios autônomos sem especialistas humanos. Em química em fluxo, elevou o rendimento de 30% para 59% em 23 experimentos e cinco dias.
Whisper: método sem retreino reduz alucinações de transcrição em 92%
Método sem retreino, publicado no arXiv em setembro de 2026, reduz as alucinações do Whisper de 31,31% para 2,44% em áudio sem fala, com trade-off medido na precisão de transcrição.