Estudo no arXiv (2608.26134) revela que modelos de previsão de energia de alta precisão em edge devices podem causar déficit energético, propondo framework TCO que considera consumo de inferência e envelhecimento das baterias.
Pesquisadores apresentaram o CARL, sistema de IA que usa aprendizado por reforço autotélico para descobrir e controlar sólitons em Lenia, com intervenções mínimas e comandos humanos em tempo real. O estudo, submetido à arXiv em junho de 2026, sugere um novo caminho para experimentalistas artificiais.
O CIFQA, framework multiagente da arXiv, alcançou 95,54% de acurácia em consultas financeiras intensivas em cálculo, superando modelos muito maiores ao usar ferramentas Python determinísticas. O sistema mostra que arquitetura importa mais que escala de parâmetros.
Pesquisadores apresentaram o PICasso, framework de IA que transforma linguagem natural em circuitos fotônicos integrados prontos para fabricação. Nos testes, o sistema reduziu a perda média de inserção de 4,98 dB para 3,25 dB, um ganho de 1,74 dB.
Estudo arXiv:2608.26109 testou LLM standalone e pipeline agêntico para explicar mortalidade na UTI com o eICU Demo. O agêntico zerou vazamentos de desfecho, mas perdeu em fidelidade ao SHAP.
O Google Research lançou a planetary prediction engine, um sistema experimental de IA que automatiza a modelagem geoespacial, reduzindo o tempo de previsões de semanas para minutos. A ferramenta faz parte da iniciativa Earth AI e busca acelerar respostas em crises humanitárias.
Com o Gemini Omni 1.1 Flash, o Google DeepMind adiciona extensão de cena com 10 segundos de contexto, controle de primeiro e último frames e rascunhos em 360p até 60% mais rápidos e a 1/3 do custo.
Análise apresentada pela Gravitee mostra que frotas de agentes de IA geram teias de conexões ingovernáveis, e um ticket de suporte pode passar por quatro agentes antes de um humano ver.
Análise publicada no VentureBeat e apresentada pela EDB defende que a governança de agentes de IA deve ser executável e aplicada na camada de dados, no momento exato da ação, em vez de depender de políticas abstratas.
A Google DeepMind e o Singapore AI Safety Institute pilotaram a primeira avaliação duplo-cega de um modelo proprietário de IA, usando criptografia para evitar contaminação de benchmarks. O Gemini Flash Lite foi testado em ambiente seguro com parceiros como OpenMined, AVERI e MLCommons.
