Pesquisa publicada no arXiv introduz J64 e R64, métodos que tornam legível o estado interno de modelos MoE e melhoram acurácia em até 5,9 pontos — sem modificar a arquitetura do modelo.
Artigo no arXiv prova equivalência matemática entre graph surgery e o do-operator em modelos causais acíclicos, reforçando bases teóricas para IA e inferência causal.
MoNe é uma memória neural modular que reduz custos e memória em contextos longos para Transformers, com sobrecarga de apenas 6,4% e desempenho superior em benchmarks.
Estudo publicado no arXiv valida um método sem rótulos para drones que contam multidões, recuperando até 49% de erro em cenários diferentes dos de treinamento. A pesquisa, focada na Copa de 2034, estabelece um protocolo operacional para evitar desastres em eventos de massa.
Framework TRUSS, publicado no arXiv, combina auditoria estática e execução controlada para gerar skills de agentes de IA com 100% de detecção de vulnerabilidades, reduzindo taxas de sucesso de ataques pela metade em GPT 5.4 e 5.5.
Novo framework RATTL ajusta automaticamente a cautela de um agente de IA ao seu nível de incerteza, prometendo maior segurança em tomadas de decisão enquanto o sistema ainda está aprendendo sobre o ambiente.
Framework inspirado no SuperMemo usa repetição espaçada para agendar revisões no treino de IAs, recuperando até 37 pontos percentuais de conhecimento que seria perdido. A técnica não altera arquitetura do modelo.
O Agent Lightning v1.0 é um framework leve para RL agêntico que melhorou o modelo Qwen3.5-9B em 14.6 pontos no SWE-bench com apenas 6K exemplos de treinamento.
Novo agente de IA (SGHA) descobre problemas de pesquisa científica usando apenas um modelo local de 9B, sem depender de APIs proprietárias e aumentando a transparência do processo.
Pesquisa do arXiv mostra que 96,8% dos métodos projetados por agentes de LLM são recombinações de soluções humanas existentes —questionando o potencial real de inovação autônoma da IA.
