Novo framework publicado no arXiv propõe que robôs usem observação ativa para resolver ambiguidades de objetos antes de pedir esclarecimento ao usuário. Sistema foi validado em experimentos com robôs reais.
Artigo no arXiv identifica 11 mecanismos de mal-entendido em comunicação com IA, oferecendo modelo para detecção e reparação.
Nova métrica BCM revela que agentes de IA com mesma taxa de sucesso podem ter consistência comportamental radicalmente diferente, separando performance de processo.
Um estudo recente revela que erros de alta confiança em LLMs podem ser estáveis, desafiando a percepção tradicional de fragilidade eImpactando auditorias de IA.
Um paper na arXiv propõe que a avaliação de IA deve focar em equipes humano-máquina, em vez de desempenho super-humano, para melhores resultados sociais.
O Agentao é um runtime open-source que separa propostas de ação de execução autorizada para agentes LLM, focando em governança e segurança local-first. Publicado no arXiv, o código está disponível no GitHub.
Pesquisa publicada no arXiv liberara trace completa de um ano de tráfego de LLMs da plataforma Chutes, revelando padrões ocultos de uso e modelos populares e de nicho para impulsionar a próxima geração de sistemas de servimento.
Estudo do arXiv analisou 46 tarefas e descobriu que LLMs criam módulos cognitivos distintos, espelhando a organização funcional do cérebro humano, o que aponta para uma propriedade fundamental da inteligência.
Pesquisa revela que camadas tardias de modelos Mixture-of-Experts como o Qwen3.6 toleram desativação agressiva de centenas de experts sem perda de qualidade, abrindo caminho para LLMs menores e mais eficientes.
RubricForge reduz a taxa de falsos positivos na avaliação de agentes IA em até 33%, tornando julgamentos automáticos mais confiáveis sem depender de recompensas externas.
