Um benchmark de 248 casos mostrou que quatro de cinco modelos de fronteira ficam abaixo do acaso ao julgar decisões científicas corrigidas por humanos. Pesquisadores recém-chegados acertaram 73,4%, contra 63,5% dos melhores resultados dos modelos.
Artigo do arXiv propõe acionar o crítico apenas quando o agente afirma ter concluído a tarefa, com acesso de leitura, escrita e execução a um fork do ambiente. No Terminal-Bench 2.1, o método sobe 8,4 pontos percentuais sobre MCTS com críticos convencionais e chega perto do Codex CLI por menos da metade do custo.
Paper arXiv:2610.21108v1 compara planejadores LLM agressivos e conservadores em dois domínios parcialmente observáveis. As duas estratégias têm acurácia parecida, mas trocam falhas caras por mais chamadas de API, e os modelos tratam priors quase como fatos.
O CleanRM, método submetido ao arXiv em 15 de outubro de 2026, calibra o ruído de cada amostra de feedback com transporte ótimo e poucos exemplos limpos. Segundo o artigo, supera baselines de denoising e melhora o alinhamento por RLHF.
O paper AiO-Mem, publicado no arXiv em 15 de outubro de 2026, unifica busca, escrita e parada de memória em um único espaço de recompensa e treina a política com Process-Aligned DAPO. Os autores afirmam ganho de acurácia em benchmarks de contexto longo, sem divulgar números.
O PsyMemBehav, sistema que simula o comportamento de usuários reais em redes sociais, ficou em primeiro lugar em 11 das 12 métricas individuais do próprio estudo e superou o GPT-5.4 em qualidade média de resposta. A base reúne 5,57 milhões de comportamentos de 5.862 usuários de Reddit, Bluesky e Twitter.
Paper no arXiv propõe usar o resultado da execução como estado intermediário de aprendizado, com crédito separado para a ação inicial e para a correção. O método atingiu 92,70% de sucesso de renderização em chamada única, contra 88,25% do GRPO continuado.
O CB-Agent, método publicado no arXiv em 10 de outubro de 2026, substitui trajetórias de demonstração no prompt por um vetor de conceito ajustado por máxima verossimilhança. O sistema ficou em primeiro lugar no TextWorld e no ScienceWorld nos três tamanhos de modelo testados.
Artigo no arXiv propõe desenvolver comportamento em um LLM de fronteira e depois destilar as decisões reais em um modelo pequeno. No teste com agendamento de home care, um Qwen3-8B ajustado com LoRA atingiu 0,913 de concordância e latência mediana 2,5 vezes menor que o GPT-5.4-nano.
O método Forget-Aware Self-Distillation, apresentado em preprint no arXiv, separa o apagamento do conhecimento da aprendizagem de recusa e busca um estado de ignorância honesta, em que o modelo perde a informação e admite que não a tem.
