Paper no arXiv propõe o EvoGraph-Mem, framework que trata a memória de agentes de linguagem como um grafo editável, com curadoria ativa para evitar que insights desatualizados se acumulem e prejudiquem tarefas de longo prazo.
Estudo com 23 modelos abertos e mais de um milhão de respostas mostra que mitigações de conformidade em LLMs melhoram a resistência à pressão de pares apenas à custa da receptividade — e aponta o raciocínio como única exceção.
Preprint submetido ao arXiv em agosto de 2026 apresenta o Thea, infraestrutura que orquestra capacidades robóticas como ferramentas e usa grafo de cena e exit codes para fechar o loop entre agente e mundo físico.
Estudo submetido ao arXiv propõe o AI-Tutor, modelo de aprendizado por reforço que equilibra conteúdo novo e revisão para reduzir a evasão em cursos online. Avaliação com 23 milhões de registros de 33,7 mil alunos indica ganhos em engajamento, retenção e resultado final de aprendizagem.
Pesquisadores criaram o BEST-KAG, framework que usa grafos de conhecimento multimodal e LLMs para responder perguntas sobre normas de engenharia de construção, com melhoria de até 74,01% frente a LLMs convencionais.
Paper na arXiv propõe que restrições semânticas de segurança são off-support, unificando explicações para jailbreak e reward hacking — e sugere que invariantes rígidos devem viver no harness, não no modelo.
Pesquisadores apresentam o GeoIncNO, operador neural que reduz o acúmulo de erros em previsões de longo horizonte de PDEs, com testes em seis benchmarks de sistemas 1D, 2D e 3D.
Artigo submetido ao arXiv propõe o CORA-Diff, método sem treinamento que corta passos redundantes de denoising e reduz o tempo de inferência em DLMs — com até 13,14x de speedup em protocolos específicos e queda máxima de 1,22 ponto nas tarefas.
InfraBench, benchmark público para agentes de IA em infraestrutura, mostra que os melhores modelos pontuam entre 40% e 88% e deixam efeitos colaterais para trás. O estudo foi publicado no arXiv e está disponível em infraben.ch.
Paper no arXiv propõe o LinearKV, framework sem treinamento que adapta position-independent caching a LLMs híbridos. Um único estado em cache por camada linear recupera até 92% da qualidade, com menor latência que a composição exata de estados.
