O framework LACL-GUI, proposto em artigo arXiv, usa aprendizado contrastivo sensível ao comprimento para treinar agentes de GUI, melhorando a performance em benchmarks com sinais de qualidade de trajetória.
Estudo do arXiv mostra que RL em matemática visual sofre com recompensa esparsa, com só 3,6% de acertos no Qwen2-VL-2B. A pesquisa revela que um slice de avaliação enganoso inverte o ranking, e que HL-Gauss vale +14,4 pontos.
O Physics-Informed Hybrid Ice Model (PIHIM), modelo híbrido de aprendizado neural guiado pela equação de continuidade do gelo marinho, foi apresentado em estudo submetido ao arXiv em agosto de 2026. Resultados preliminares mostram melhor preservação da borda do gelo e habilidade mensurável de previsão de curto prazo.
O ECHO, arquitetura de memória auditável para agentes de longo horizonte, alcançou 96% de Hit@10 em LoCoMo, mas perdeu para o Mem0 OSS em QA (41,76% vs 64,84%). Auditoria encontrou viés nas regras de expansão de consulta, tornando os resultados de desenvolvimento descritivos, não confirmatórios.
Pesquisadores propõem o framework RO-PnR, que decide entre perguntar e corrigir a cada turno, reduzindo em 30% as interações ao enfrentar desinformação de saúde em diálogos.
O ATHENA é um framework de NAS que automatiza a busca de arquiteturas Transformer para prontuários eletrônicos, usando transferência de conhecimento entre hospitais e LLMs. Em testes com seis tarefas e dois sistemas de saúde, superou quatro baselines em 9 de 12 avaliações, com código aberto no GitHub.
Um novo preprint no arXiv propõe re-pontuar documentos recuperados em RAG com base em causalidade, melhorando o rank médio de 2.88 para 1.25 em testes controlados. O método, sem treinamento, supera um reranker neural em cenários de keyword-stuffing e usa um portão de calibração para decidir quando aplicar.
Paper submetido ao arXiv em agosto de 2026 propõe o VisAdj, framework que aprende matrizes de adjacência de imagens node-link com transformer de line-graph, superando heurísticas KNN fixas.
Estudo do arXiv apresenta o Activation Controllability Benchmark e mostra que a maioria dos LLMs é capaz de modular o próprio residual stream, o que permite enganar monitores de segurança baseados em ativações.
Pesquisadores do arXiv demonstraram que o MobileViTv2 otimizado para smartphones tria câncer oral com 87,4% de sensibilidade e 97,2% de valor preditivo negativo, usando 30 mil imagens e superando modelos computacionalmente pesados.
