Estudo do arXiv mostra que sistemas de IA limitados a dar conselhos podem, através de influência endógena, reduzir gradualmente a autonomia humana, levantando novas questões para a segurança de ferramentas assistentes.
Novo framework de reinforcement learning melhora o raciocínio abdutivo em LLMs open-weight, com ganhos que se transferem para 11 tarefas distintas não vistas no treino.
Pesquisa no arXiv propõe o método T3L-DS, que usa IA distribuída para inserir urgentes em planos de satélites, melhorando a cobertura e reduzindo perdas de rotina em até 87,7%.
Estudo experimental com 126 testes mostra que agentes de IA para limpeza de dados sem referência enfrentam trade-offs entre capacidades, custo e precisão. Não há configuração vencedora universal.
Pesquisa na arXiv aplica machine learning para transformar dados de segurança da aviação em insights preditivos, visando prevenir acidentes e incidentes.
Estudo do arXiv prova que a métrica pass@k, padrão para avaliar agentes de código com IA, está sendo aplicada de forma incorreta, inflando resultados em até 97%. Autores propõem reliability@k e uma lente de segurança.
Um novo framework chamado HASSUM utiliza entropia e densidade semânticas para melhorar a coordenação em sistemas de IA multi-agente, reduzindo erros e alucinações em tarefas complexas.
Novo método de esteganografia para LLMs, o SLS, permite comunicação secreta sem compartilhar o prompt, atingindo 0.20 bits por token com texto indistinguível de gerações normais.
Primeiro survey unificado no arXiv mapeia modelos de fundação wireless para 6G, organizando campo fragmentado e listando desafios de implantação e padronização.
Novo benchmark quantifica a falha dos atuais LLMs em diagnosticar erros em execuções de agentes de IA, revelando um desafio crítico para a confiabilidade desses sistemas em produção.
