Um estudo do arXiv analisou 2.265 condados dos EUA e quatro modelos de mobilidade, propondo duas métricas para medir o deslocamento de domínio geográfico. A transferibilidade depende tanto do modelo quanto das diferenças regionais.
Estudo submetido ao arXiv em agosto de 2026 propõe o framework CCT e o algoritmo CompPO para credit assignment em RL de LLMs. No Qwen3-4B, o CompPO alcançou 61,4% de acurácia, superando o GRPO em 7,6 pontos.
Revisão sistemática publicada no arXiv mapeia frameworks de IA explicável para classificação de séries temporais. Estudo identifica apenas seis ferramentas, duas métricas específicas e inconsistência entre métodos idênticos.
Paper no arXiv propõe workflow que combina RAG e Model Context Protocol para gerar e corrigir programas RAPID da ABB via simulação no RobotStudio, reduzindo erros de execução que validações estáticas não capturam.
Pesquisa submetida ao arXiv em agosto de 2026 comparou PEFT com LoRA, prompt tuning e prompt engineering para classificar discurso de ódio em Roman Urdu. O estudo testou quatro abordagens com dados limitados em idioma de baixos recursos.
Estudo da IBM publicado no arXiv descreve arquitetura de RAG com o acelerador Spyre em LinuxONE, reduzindo latência para menos de 2 segundos e mantendo dados sensíveis dentro do hardware.
Pesquisa submetida ao arXiv mostra que a configuração do teste pode definir o vencedor de rankings de LLMs: o gemma4-31b varia de 31% a 89% e 4 dos 12 modelos chegam ao 1º lugar conforme o harness.
Um sistema de IA responsável, o RIACT, usa regras auditáveis e um LLM para alertar estudantes sobre risco de burnout antes do declínio acadêmico. O paper, submetido ao arXiv em julho de 2026, surge em um cenário em que o burnout atinge de 12% a mais de 70% dos universitários.
O SchemaRouter, descrito num paper do arXiv, corta de 2.066 para 227 os tokens de contexto em RAG agêntico, com acurácia de 0,71 e proveniência em 62% das respostas. A camada reduz latência em 2,7 vezes em relação ao prompt-all.
Paper submetido ao arXiv em junho de 2026 consolida as pesquisas sobre o colapso de modelo, fenômeno em que IAs treinadas com dados sintéticos degradam progressivamente, e lista contramedidas para evitar o problema.
