Novo estudo propõe método 'black-box' que usa dinâmica de sistemas para detectar respostas perigosas em LLMs, analisando a interação entre prompt e resposta em espaços de embeddings.
Estudo na arXiv demonstra que comprimir o contexto de IA de forma adaptativa em tempo real pode reduzir o consumo de energia de GPU em até 53% em dispositivos de borda, sem perda de qualidade.
Framework Symposium cria histórico imutável e auditável de agentes de IA em pesquisa científica, separando a memória durável da comunidade dos sistemas que evoluem rapidamente para garantir confiança nos resultados.
Pesquisa publicada no arXiv propõe o R2-OPD, método que filtra recompensas conflitantes durante destilação de modelos de linguagem para alinhar treinamento com progresso real de raciocínio.
Pesquisa apresenta Outcome Monitors, sistema que detecta falhas silenciosas em ferramentas de IA e aumenta taxa de conclusão em até 14 pontos em testes.
Um estudo com 9 LLMs mostrou que prompts simples são superiores para gerar comunicações realistas de controle de tráfego aéreo, mas expõem o risco de acúmulo de erros em diálogos longos.
Novo framework de IA separa interações em gado leiteiro por valência, revelando que 72,4% dos contatos em área de ordenha são agonísticos. Estudo mostra que contagens genéricas de interação podem mascarar a verdadeira dinâmica social e o bem-estar do rebanho.
Estudo da arXiv mostra que a segurança de implantações de IA depende do nível de acesso técnico e contratual que a empresa desplegadora tem ao modelo, e não apenas de protocolos idealizados. Pesquisa quantifica o 'imposto de controle' para quem usa modelos via API.
Artigo no arXiv propõe focar em valência, em vez de consciência, para resolver dilemas éticos no desenvolvimento de inteligência artificial.
