O LiveHouse-TS, novo benchmark vivo para modelos de séries temporais, mostra que rankings estáticos mudam drasticamente quando avaliados em dados futuros reais, com 17 datasets de 11 domínios.
Framework DeAR propõe raciocínio agêntico descentralizado, com colaboração peer-to-peer entre agentes. Em 9 benchmarks, superou métodos recentes, indicando que a descentralização aumenta a precisão em tarefas de conhecimento intensivo.
Pesquisadores propõem o PlanPO, um método de RL que melhora agentes de IA em 27,2% em benchmarks multi-turn, superando o GRPO com custo adicional desprezível.
Pesquisadores lançaram o ASI-Bench, primeiro benchmark que mede autonomia de IA em pesquisa científica. Resultados mostram queda de desempenho de 50,91 para 26,62 sem orientação humana, indicando que sistemas atuais ainda dependem fortemente de supervisão.
Estudo do arXiv mostra que medir a confiança intrínseca de LLMs (logit-based energy scoring) supera o método LLM-as-judge em 33,0% vs 16,6% no ranking de hipóteses científicas, com pico de 53,1%.
Estudo do arXiv mostra que prompts de estado explícito não melhoram a classificação de políticas de memória em LLMs como Llama-3.3-70B e GPT-OSS-120B, exigindo auditorias mais rigorosas.
Nova defesa 'Fool's Gold' para modelos de IA abertos envenena respostas quando controles de segurança são removidos, tornando-as falsificadas e perigosas para o próprio atacante.
Pesquisa mostra que agentes usando LLMs podem gerar automaticamente scripts Python que extraem características de problemas de otimização, superando métodos manuais em até 8,3 pontos percentuais.
Novo framework de avaliação usa simuladores que aprendem para medir como assistentes LLM calibram informações. A pesquisa mostra que o melhor modelo de IA muda conforme o nível de conhecimento do usuário.
Pesquisa do arXiv propõe que a IA pessoal deve se basear em um ciclo de confiança e consentimento com o usuário, não apenas em vasta coleta de dados.
