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.
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.
