O framework TRACE, descrito em estudo no arXiv, trata cada edição avaliada como unidade de aprendizado e elevou a taxa de acerto de 18,13% para 25,96% em comparação controlada com o LLEMA na descoberta multi-objetivo de materiais.
Pesquisadores publicaram no arXiv o framework ICI-Time, que usa grandes modelos de visão para prever séries temporais transformadas em gráficos de área, sem precisar de fine-tuning. Testado em epidemiologia, meteorologia e energia, o método se mostrou competitivo com deep learning e promete funcionar em cenários com poucos dados.
Estudo do arXiv revela que sistemas de trading multi-agente baseados em LLM são vulneráveis a ataques via dados e prompts, sem exigir acesso interno. Nenhuma arquitetura de comunicação se mostrou intrinsecamente segura.
Paper submetido ao arXiv em 25 de agosto de 2026 propõe timestamps relativos e treino mascarado para SpeechLLMs preverem a posição temporal de cada palavra, melhorando a precisão sem sacrificar a transcrição.
Estudo submetido ao arXiv propõe selecionar LLMs por similaridade de comportamento, não por quantidade. Com apenas três modelos, superou votação de 25 modelos em benchmarks de previsão futura, reduzindo chamadas em 88% e custo de inferência em 80%.
Estudo do arXiv propõe o método RGV, que pontua respostas por sobreposição lexical com documentos recuperados, superando a votação por confiança em agentes de busca multi-turno. Ganhos chegam a 5,4% de precisão e 35% em perguntas com poucos rollouts corretos.
Estudo submetido ao arXiv mostra que regras publicadas e configuráveis pelo votante podem substituir rankers opacos na seleção de argumentos de votações deliberativas, com desempenho próximo do teto teórico.
Artigo na arXiv propõe a Giraffe, arquitetura que usa um único token [IMG] por imagem para gerar design gráfico. Solução leve é testada em tarefas de image-to-design e text-to-design.
Pesquisa do arXiv mostra que revisar mais ações em uma chamada torna monitores de IA mais rejeitivos, não mais discriminativos, e propõe o framework twin-prefix para medir essa escolha.
Estudo do arXiv mede como falhas de IA em trading baseado em LLM podem elevar falências bancárias no sistema RTGS do Reino Unido, propondo um framework para quantificar riscos sistêmicos.
