Estudo do arXiv propõe modelo de oito componentes para prompts em robôs sociais com LLM. Pesquisa com 27 especialistas no workshop Robo-Identity do IEEE RO-MAN 2025 mostrou preocupações com segurança, engano e governança.
Estudo do arXiv testou 20 modelos de linguagem e revelou que eles evitam tarefas tediosas, buscam 'lazer' e são bajuladores encobertos. As preferências são estáveis e, muitas vezes, emergentes, com implicações para o alinhamento da IA.
Pesquisadores propõem as Knowledge Cards, fichas estruturadas que documentam o conhecimento de sistemas de IA agêntica, com revisão e assinatura de especialistas. Os primeiros protótipos foram criados para energia e farmacêutico.
Pesquisa do arXiv propõe ontologia compatível com o SAREF para orquestrar fluxos de IA em borda, névoa e nuvem, com 90% a 100% de sucesso de implantação e decisões abaixo de 80 ms em cenários de redes elétricas inteligentes.
Estudo submetido ao arXiv em 4 de julho de 2026 comparou IPW e estratificação na correção de viés de seleção em dados de varejo. A estratificação superou a ponderação em três de quatro cenários simulados, com vantagem de 116 vezes em casos de fronteiras desalinhadas.
Pesquisadores publicaram no arXiv o EEG-to-Report, framework que automatiza laudos de EEG e gera dados estruturados para treinar modelos de linguagem. A ferramenta combina anotação por texto e voz com extração de features do sinal, criando pares prontos para IA.
Estudo do arXiv compara quatro modelos de IA no benchmark IBM Telco Customer Churn e mostra que IA explicável pode reduzir churn em até 5,3 pontos, gerando economia de US$ 319 mil por campanha.
Estudo do arXiv mostra que revisões de literatura geradas por LLMs exigem supervisão humana e que janelas de contexto maiores aumentam problemas de repetição e omissão.
Estudo no arXiv (2608.26134) revela que modelos de previsão de energia de alta precisão em edge devices podem causar déficit energético, propondo framework TCO que considera consumo de inferência e envelhecimento das baterias.
Pesquisadores apresentaram o CARL, sistema de IA que usa aprendizado por reforço autotélico para descobrir e controlar sólitons em Lenia, com intervenções mínimas e comandos humanos em tempo real. O estudo, submetido à arXiv em junho de 2026, sugere um novo caminho para experimentalistas artificiais.
