Pesquisa do arXiv mostra que prompts decompostos em agentes especialistas melhoram números, mas não o julgamento, em análise de empresas europeias de real estate; ajuste fino com reinforcement learning cobre a lacuna.
Um preprint no arXiv propõe um pipeline de Teoria da Mente inversa que infere crenças, preferências e traços de personalidade a partir do comportamento de navegação, com resultados que igualam ou superam personas de referência no dataset OPeRA. O estudo também demonstra a abordagem em um aplicativo bancário espacial no visionOS.
Comparação inédita no Flickr30k mostra GPT-4.1 e Claude Sonnet 4.6 no mesmo nível do Gemini Embedding 2; embeddings pré-computados seguem melhores para aplicações de baixa latência.
O Apodex Discovery, apresentado no arXiv em agosto de 2026, propõe avaliar IA por investigações verificáveis em problemas reais, e não por benchmarks fixos. Nos testes iniciais, superou o estado da arte em 7% no design de capsídeos AAV.
Pesquisa submetida ao arXiv em agosto de 2026 mostra que leaderboards de agentes de IA medem especialização, não capacidade geral — e propõe uma disciplina de relatório de uma página para decisões corporativas de adoção.
Pesquisa no arXiv propõe duas abordagens para detecção de anomalias em vídeo: um método sem treinamento e um agente multimodal que se autocorrige durante a análise. O estudo apresenta o benchmark VAGU-T, com 7.567 vídeos, e a métrica JeAUG.
Pesquisa submetida ao arXiv propõe o AHPSO, híbrido de Particle Swarm Optimization com injeção adaptativa de gradiente. O estudo mostra em quais problemas a abordagem supera o PSO padrão e o CMA-ES, sem reivindicar superioridade universal.
Estudo submetido ao arXiv em 6 de agosto de 2026 usa aprendizado de máquina simbólico para criar correções interpretáveis à equação de Peng-Robinson em misturas de hidrocarbonetos e nitrogênio. O método melhora a precisão das previsões em todos os sistemas testados.
Um paper no arXiv prova matematicamente que a verificação local — a checagem passo a passo de agentes de IA — não detecta inconsistências globais de contexto, e propõe o Ksetra, procedimento que mede o conflito de evidências e decide quando o modelo deve se abster.
Artigo no arXiv apresenta o AgonAlpha, sistema autônomo de descoberta de alfas com revisão adversarial e veto, que gerou alfas SPECTACULAR na WorldQuant BRAIN — Fitness de 9,50 e Sharpe de 3,48 — mantendo trilha completa de evidências.
