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.
Novo método CASE usa estados internos de LLMs para escolher a melhor resposta, com uma métrica chamada decodability que prevê quando supera a votação majoritária em até 19 pontos.
KernelArc, framework multi-agent para otimização de GPUs, ocupa primeiro lugar no leaderboard SOL-ExecBench, demonstrando eficiência da IA em melhorar hardware.
Pesquisa propõe o DiSCO, um sistema black-box plug-and-play que ajusta prompts em tempo real para evitar a geração de conteúdo NSFW por modelos de IA, reduzindo ataques adversariais em até 37,7% sem modificar o modelo.
Novo paper define fronteira entre memória e sinalização para otimizar agentes de IA com recursos limitados, reduzindo necessidade de comunicação.
SkillEffect é uma arquitetura que verifica e controla o uso de memória em ferramentas de agentes de IA, testada em seis famílias de operadores para reduzir estouros e melhorar eficiência.
Novo sistema de IA busca problemas em literatura matemática, filtrando milhares de conjecturas para identificar alvos promissores, como demonstrado em um estudo publicado no arXiv.
Método federado de aprendizado por preferência melhora em 9,10 pontos a extração de dados de laudos radiológicos em hospitais com poucos dados, sem compartilhar informações sensíveis.
