Pesquisa do arXiv propõe quatro capacidades de confiança para knowledge graphs industriais, integrando 11 sistemas e 8.743 triplos em um grafo único. Remover qualquer capacidade quebra metade das consultas compostas.
Pesquisa cria benchmark de compreensão narrativa de filmes de Hollywood em domínio público e mostra que modelos alcançam no máximo 61,1% de acurácia, abaixo do nível humano.
O arXiv publicou artigo que apresenta o CoreSec, um sistema RCA para redes Clos que substitui scores por uma álgebra de abstenção e já opera em escala hyperscale.
Pesquisadores lançaram a LitReview Arena, plataforma de estilo battle para avaliar revisões de literatura geradas por IA. Sistemas avançados vencem só 23,0% dos confrontos contra humanos, e o avaliador LitJudge alcança concordância de 0,78 com especialistas.
Estudo no arXiv apresenta framework de prompt learning que mantém a precisão de modelos de IA para UTIs mesmo com prontuários incompletos, usando quatro tipos de prompts. A técnica superou abordagens existentes em testes com dados faltantes.
O GuardianBench, benchmark lançado no arXiv em agosto de 2026, testou 3.024 pares de instrução e cena em IAs de visão e linguagem e achou acurácia média de 24,1%, revelando que os modelos falham em distinguir comandos seguros de perigosos em cenários fixos.
Pesquisa submetida ao arXiv em agosto de 2026 apresenta o primeiro alinhamento público entre as ontologias IES e HQDM, com um crosswalk de 17 correspondências validado pelo raciocinador HermiT. O trabalho integra também a ontologia BFO e discute a diferença entre consistência e coerência em alinhamentos de defesa.
O MemGuard, sistema de governança de memória para agentes de LLM, trata sinais de verificação como metadados persistentes e alcançou melhor resultado em 16 cenários de benchmark, com ganho de até 7,9 pontos no WebArena.
Pesquisa submetida ao arXiv propõe o HiMA-MDD, um sistema de três camadas de agentes que supera métodos de última geração na detecção de depressão em entrevistas clínicas, com rastro de evidências auditável.
O framework LLM4LLM, descrito em artigo no arXiv em agosto de 2026, acelerou a inferência de dez LLMs em até 3,91x nas GPUs A100 e 6,98x nas H100, integrando otimização de kernel ao fluxo real de produção.
