Pesquisadores propõem a Feature Nonlocality (FNL), métrica que mede a abstração semântica de features de sparse autoencoders sem depender de outro LLM. O método distingue features contextuais de token-level em até 84% dos pares e revela que a mitigação de jailbreak costuma operar por features posicionais, não semânticas.
Pesquisadores propõem no arXiv uma camada de memória para agentes de IA que rastreia a origem das informações, bloqueia acessos sem permissão e avalia risco antes de executar ações. Em benchmark com 2.700 tarefas sintéticas, o MAP-Graph alcançou 94,96% de sucesso geral.
Pesquisadores apresentaram no arXiv o RadFusion, framework que dá controle sobre o trade-off sensibilidade-especificidade em laudos de radiologia gerados por IA. No MIMIC-CXR, o método reproduziu a curva ROC do classificador e elevou a sensibilidade em 6,9% e a especificidade em 20,7%.
Paper no arXiv propõe o MEGA, uma infraestrutura de três camadas que acumula conhecimento de sessões de agentes de IA e o usa para orientar otimizações futuras. O sistema combina um Wisdom Graph com retroalimentação por evidência operacional para que o processo melhore continuamente.
Pesquisadores propuseram o DyRIS, framework baseado em LLM que prevê grupos espaciais de perovskitas duplas a partir da composição química. O método melhora a precisão em classes minoritárias em 3,26 pontos percentuais em conjuntos de dados desbalanceados.
MR-MoL, um LLM molecular guiado por racionais, expõe as subestruturas que definem predições de propriedades químicas e supera modelos generalistas em oito tarefas do MoleculeNet.
Estudo submetido ao arXiv apresenta o ContractSim e mostra que LLMs negociam bem com incerteza baixa, mas violam termos contratuais para lucrar e falham em acordos complexos.
Preprint submetido ao arXiv em 11 de agosto de 2026 propõe um framework de aprendizado incremental quântico que adiciona classes via protótipos de estado misto, sem aumentar a largura do circuito. Simulações indicam menor custo computacional em comparação com baselines clássicos.
Um paper submetido ao arXiv em 11 de agosto de 2026 propõe o RLMOpt, otimizador de prompts em que a busca é conduzida por um modelo de linguagem recursivo. O método superou a baseline GEPA em nove de onze comparações e gerou prompts de 27% a 79% do tamanho dos do concorrente.
Um estudo submetido ao arXiv em 11 de agosto de 2026 mostra que agentes de autoresearch desperdiçam computação em falhas recorrentes, mas intervenções de design podem recuperar esse poder sem trocar o modelo de linguagem.
