Um framework de pós-treinamento apresentado na arXiv ensina LLMs a compensar feedback imperfeito; em testes, reduziu sycophancy e melhorou a imparcialidade na geração de notícias.
Estudo no arXiv mostra que embeddings semânticos de paradas, gerados offline por um LLM, reduzem em 69,2% os eventos de bunching e em 24,0% o tempo de espera em controladores de ônibus baseados em aprendizado por reforço.
Pesquisadores propõem o MESA, framework que seleciona dinamicamente as memórias relevantes em agentes de IA de longo horizonte. No benchmark AMA-Bench, o método ganhou 8,5% em precisão e reduziu em 41% o uso de tokens.
Pesquisadores propõem o framework RGL, que ensina modelos a reconhecer emoções em conversas com raciocínio humano, atingindo desempenho de ponta nos benchmarks IEMOCAP e MELD sem custo extra na inferência.
Estudo do arXiv apresenta protocolo aninhado para avaliar IA evolutiva em contextos competitivos, revelando que métricas de treinamento nem sempre preveem desempenho ecológico.
Pesquisa publicada no arXiv propõe o framework CASE, que divide a governança de IA agêntica em quatro disciplinas e mostra que 82% das falhas em produção são multicamadas. Modelo de maturidade coloca todas as 35 implantações analisadas no nível mais baixo.
Estudo do arXiv mostra que LLMs autônomos podem reduzir o ciclo de produção agrícola em 35% e o consumo de energia em até 67,9%.
Pesquisadores apresentam o DashArena, primeiro benchmark para avaliar a geração de dashboards analíticos interativos por LLMs, considerando a trajetória de interação como evidência.
O framework SKILLER gera skills sob medida para modelos pequenos de IA com aprendizado por reforço em linguagem natural, reduz o custo de agentes e iguala o desempenho de modelos fechados em benchmarks, com código aberto no GitHub.
Estudo publicado no arXiv apresenta o RL2C, algoritmo de aprendizado por reforço que reduz em até 12,5% os passos e 81,8% o tempo para ajustar parâmetros de corte a laser de filmes ópticos.
