Artigo no arXiv apresenta um sistema multimodal que organiza resumos clínicos, imagens médicas e entidades biomédicas de 52.949 relatos de caso publicados entre 2000 e 2021 em uma ontologia médica pesquisável, com foco em ajudar clínicos iniciantes a identificar doenças raras.
O AutoData, agente descrito no arXiv em 17 de setembro de 2026, busca algoritmos executáveis de seleção de dados de pré-treinamento em vez de apenas pesos de mistura. Em uma busca noturna, superou pipelines de curadoria humanos e melhorou a métrica CORE ao transferir a receita para escalas maiores.
Um paper no arXiv (2609.19789v1) mostra que sistemas de trading multiagente com LLM são vulneráveis a ataques que entram apenas por posts de redes sociais. Mesmo atacantes simples degradam o perfil risco-retorno e reduzem com força as razões de Sharpe.
O Depth Control Protocol, proposto em artigo submetido ao arXiv em 17 de setembro de 2026, separa três fatores que a truncagem de profundidade mede de uma só vez: número de aplicações de bloco, volume de computação distinta e posição da cabeça de leitura no fluxo residual. O paper sustenta que a inclinação lida hoje confunde os três e é interpretada como se refletisse apenas um.
Paper no arXiv formaliza o raciocínio composicional com um framework de grafo de dependências e encontra uma assimetria consistente: ensinar habilidades isoladas não garante que o modelo saiba combiná-las, enquanto treinar em tarefas compostas transfere melhor para as partes.
O framework AutoTuring entrega o mesmo espaço de 15 dimensões ao mesmo agente duas vezes, uma com nomes de arquitetura e outra com variáveis anônimas. Na cesta de nove kernels FP16 GEMM, o agente que enxerga significado supera o H200 modelado em 5,4% e a versão cega em 12,3%.
O paper arXiv:2609.19170 propõe o RETD, correção pós-choque que estabiliza o aprendizado ETD sob passo constante e recupera exatamente o ponto fixo do método original. Um counterexample de dois estados mostra que o mapa médio do ETD contrai enquanto o produto amostrado diverge.
Um estudo do arXiv mapeou 14.767 papers de benchmarks para LLMs publicados entre janeiro de 2022 e agosto de 2026. A avaliação feita por modelos de linguagem cresce, e a pesquisa pergunta se isso gera evidência independente ou reproduz os vieses dos próprios modelos.
Estudo no arXiv mostra que mode collapse e superdispersão em LLMs são erros de amostra finita do fine-tuning supervisionado. Com mais dados de treino, a diversidade das respostas converge para a do alvo humano ou sintético.
O CADWorld, benchmark publicado no arXiv em 14 de setembro de 2026, avalia agentes de IA dentro do FreeCAD em 200 tarefas de engenharia mecânica. O melhor agente acerta 17,5%, contra 87,0% da referência especialista.
