Pesquisa submetida ao arXiv mostra framework multi-papel que melhora planejamento simbólico com apenas feedback do solver, elevando sucesso médio de 35,5% para 70,8% no PlanBench.
Pesquisa do arXiv apresenta o AI Watchdog, agente que monitora conversas com IA e alerta sobre dark patterns. Em teste com 150 pessoas, avisos em tempo real reduziram a obediência a recomendações manipulativas de 71,7% para 53,7%.
O sistema HIRA, descrito no preprint arXiv:2608.21792, classifica documentos em indústrias reguladas combinando BM25, embeddings e verificador LLM local, com revisão humana em apenas 6,4% dos casos. Ele elevou o Macro-F1 de 0,62 para 0,85 sem retreinar o modelo.
Estudo do arXiv mostra que o CLIP zero-shot acerta apenas 39,03% na geolocalização regional da Grande Los Angeles, mas o ajuste fino do encoder eleva a acurácia para 82,10% e reduz o erro de distância de 12,30 km para 3,86 km.
O Scroll, sistema descrito em paper do arXiv, usa um kernel Python persistente e um Event Log para gerenciar o contexto de agentes de IA. Com o Qwen3.8-Max, superou em 37,4 pontos o melhor agente long-horizon no benchmark LOCA_256K.
Estudo mostrou que LLMs como GPT-5.4-mini e Gemini 3.1 Flash Lite acertam quase tudo ao simular alunos, mesmo os iniciantes. Um novo método baseado em grafos estocásticos reduz a acurácia para 44,1%, criando simulações fieis.
Estudo do arXiv (2608.21610) propõe Semantic Compression Trees, um índice hierárquico que corta o custo de busca em até 6.4x em bases grandes, mas falha na seleção de documento com acurácia de apenas 20.2%. Representação residual vale a pena; roteamento top-down, não.
Estudo do projeto DARPA-MIT SmartSolve mostra que o LLaMA 3, com banco de dados de desempenho, aprende a gerar heurísticas de dispatch para fatoração LU, replicando estratégias de especialistas. O paper foi submetido ao arXiv em agosto de 2026.
Pesquisadores criaram guard models de segurança de LLM que rodam em CPU em 24 ms por request, usando destilação com 97 mil prompts e reduzindo falsos alarmes de 4,8% para 3,8%.
Paper submetido ao arXiv em 19 de agosto de 2026 argumenta que a adoção de IA agêntica em drones de resgate e infraestrutura crítica depende mais de interfaces e governança do que de algoritmos, a partir dos projetos NAMUR e PERSIST.
