Paper no arXiv propõe repartir especialistas de modelos MoE entre CPU e GPU conforme a carga de tokens de cada um. Nos testes com três LLMs, o prefill ficou até 51,9% mais rápido e o throughput de decode subiu até 39,5%.
O framework MAGE usa manuais de usuário como fonte de conhecimento procedural para planejar e treinar agentes que operam interfaces gráficas, com ganhos de taxa de sucesso em seis aplicações e menos dependência de dados anotados por humanos.
O D-VAE, framework de inferência contrafactual proposto no arXiv, mede o valor causal de rótulos de especialistas em anúncios gerados por LLMs. Em teste com 29.177 criativos, configurações recomendadas elevaram o engajamento em 32,7%.
O ASE, framework modular apresentado no arXiv, constrói fatores textuais, mede a contribuição condicional de cada um e implanta preditores numérico-textuais. Nas quatro implementações sobre os datasets TESS, o MSE de teste ficou abaixo do score publicado. No CSI 300, a fusão textual congelada ganhou 0,000642 de RankIC médio sobre o expert numérico.
O artigo arXiv:2610.23038v1 propõe o ActLim-Bench, base com 18.279 triplas de supervisão ligadas a evidências, e um pipeline de pós-treinamento em três estágios para gerar limitações acionáveis na literatura científica. O método relata o maior recall entre modelos de fronteira e preferência humana em 64,9% das comparações sem empate.
Estudo no arXiv mediu 20 projetos em C convertidos para Rust e achou lentidão em 12 de 19 operações, com pior caso de 62,2%. Uma ferramenta baseada em LLM recuperou desempenho em 40 de 41 operações testadas.
O artigo Recursive Reward Improvement via Adversarial Meta-Prompt Evolution propõe um adversário que caça atalhos em rubricas geradas por modelos. A técnica subiu 12,4 pontos no HealthBench Professional com um modelo de 27 bilhões de parâmetros e transferiu ganhos para benchmarks não vistos.
Pesquisa no arXiv propõe avaliar agentes de IA por regra, e não só por acurácia geral. Checkpoint treinado com currículo original recuou indevidamente 26 de 34 ações com suporte sobrevivente, contra 0 a 1 nos modelos de currículo enriquecido.
O sistema Athanor deixou quatro agentes de fronteira pós-treinarem o Qwen3-4B-Base por 104 horas sem conselho humano e sem modelos professores externos. O resultado empata com a versão oficial de instrução do modelo na média.
O OmicsBench, publicado no arXiv em 15 de outubro de 2026, encadeia 97 tarefas e 662 subtarefas para medir agentes de IA em análises de bioinformática. Nenhum modelo saturou o benchmark e o mais lento levou 3,6 horas por tarefa.
