Pesquisa no arXiv mostra que LLMs de código aberto podem acelerar a descoberta de materiais em comparação com seleção aleatória, mas seu desempenho é variável e requer apresentação cuidadosa dos dados.
Pesquisa publicada no arXiv introduz o TT-Net, que usa conceitos de redes de tensores da física quântica para melhorar a remoção de ruído em imagens por GANs, superando o método tradicional e até o estado da arte em ruído gaussiano.
A DiDi implementou o GenMatch, o primeiro framework de correspondência generativa para dispatch de viagens a ser implantado em produção real, com testes positivos em cinco cidades internacionais.
Novo framework SafeBranch usa pares de ações seguras e inseguras para treinar agentes de IA a evitar violações sem perder eficiência, alcançando 10x mais successes seguros em testes com objetos não vistos.
O framework CAMA aborda o problema de memórias correlacionadas em sistemas de IA multi-agente, promovendo evidências independentes para decisões mais precisas.
Pesquisa publicada no arXiv questiona avaliação por acurácia em simulações sociais com LLMs e propõe novo benchmark com 19.300 contextos para medir subjetividade de respostas humanas.
Pesquisadores propõem o QDOS, método que usa dados já coletados para treinar habilidades robóticas de forma mais inteligente e eficiente, superando abordagens anteriores.
Pesquisa publicada no arXiv apresenta pipeline de três estágios que adapta LLMs para detectar vulnerabilidades em smart contracts com alta precisão e baixo custo computacional, resolvendo o esquecimento catastrófico entre atualizações.
Pesquisa define 'rastreamento de estado' como habilidade crucial e apresenta método que dobra desempenho em sistemas de memória de IA, com testes em DeepSeek-V4-Flash e Qwen-3.5-9B.
Novo paper do arXiv propõe o SciDSK, uma representação padronizada de dados científicos para facilitar o trabalho autônomo de agentes de IA, enfrentando a fragmentação e formatos inadequados para automação.
