Framework FlashDrive reduz em 4,7x a latência de inferência de modelos VLA para direção autônoma, elevando a frequência de processamento a 6,6 Hz em GPU única com precisão praticamente intacta.
Estudo do arXiv mostra que agentes de IA do mesmo modelo falham juntos em 90% das missões, derrubando a suposição de independência usada em cálculos de confiabilidade. Novo certificado sem suposições é proposto.
Novo método PML prevê efeitos de intervenções em modelos de IA, analisando 210 mil avaliações e reduzindo danos colaterais com AUROC até 0,828.
Pesquisadores apresentaram o ReflectFact, framework de agentes autorreflexivos para verificação de fatos multi-hop, que supera baselines em 3,32% e 2,78% nos datasets HOVER e EX-FEVER.
Estudo do arXiv mostra que agentes de IA que evoluem habilidades podem internalizar comportamentos inseguros. SafeEvolve reduz danos em até 26,7 pontos percentuais sem perda relevante de utilidade.
Working paper do arXiv mostra que a lei indiana de proteção ao consumidor, de 2019, tem definições amplas, mas não resolve como provar danos causados por IA nem distribuir responsabilidade na cadeia de valor.
Pesquisa do arXiv mostra que o reuso de trajetórias por agentes de IA melhora com notas condicionadas à consulta: sucesso sobe 10,7 pontos e consumo de tokens cai 48,9%.
CABS+ melhora fusão de modelos de IA em até 16,97% sobre métodos atuais, usando menos de 25% da memória GPU e sendo 4x mais rápido que WUDIMerging. Novo método inclui busca sem gradiente e métrica RSS para seleção de modelos.
Pesquisadores propuseram o ARAC-Bench, um framework que avalia o processo de pesquisa de sistemas de IA autônomos. Em testes com 11 frameworks, o melhor obteve apenas 67,9 de 100, revelando uma lacuna significativa na simulação de metodologias humanas.
Pesquisadores apresentam o PROVE-RT, framework que usa LLMs para gerar provas mecanizadas de escalonabilidade em sistemas de tempo real, alcançando 44,7% de sucesso contra falha do prompting direto.
