Pesquisa propõe treinar os dois lados de um diálogo estratégico com reinforcement learning isolado. O método atingiu 98,4% de acordo contra o DeepSeek V4 Pro em Deal-or-NoDeal, ante 86,4% do melhor baseline unilateral.
Paper no arXiv propõe o ReASearch, framework em que um único agente com raciocínio otimiza prompts, programas e workflows de ML. Em 14 tarefas, os ganhos chegaram a 40% sobre sistemas especializados.
O Google apresentou o Vibe Coding XR, fluxo que usa Gemini Canvas e XR Blocks para gerar protótipos WebXR interativos para Android XR em menos de 60 segundos. A ferramenta será demonstrada no ACM CHI 2026 e já está disponível para testes.
Pesquisadores do Google Quantum AI mostraram na Nature um sistema de aprendizado por reforço que estabiliza computadores quânticos durante a operação, sem interromper o cálculo para recalibrar qubits.
A Meta lançou o Muse Glimmer, um modelo de 30B parâmetros com pesos abertos sob licença Apache 2.0, projetado para rodar agentes de IA localmente em hardware de consumidor. É o primeiro lançamento totalmente open source da empresa desde a aposentadoria do Llama.
O Google ampliou o AMIE, sua IA de raciocínio clínico, para consultas por vídeo em tempo real, com desempenho de nível especialista em estudo randomizado controlado com consultas simuladas.
O Google Research apresentou o framework Natively Adaptive Interfaces (NAI), que usa IA multimodal para adaptar interfaces às necessidades de cada usuário. A iniciativa reforça o princípio de design universal e mira os 1,3 bilhão de pessoas com deficiência no mundo.
Um modelo de IA criado para reconhecer sons de aves e outros animais terrestres está sendo usado para identificar vocalizações de baleias em áudio subaquático. A técnica foi detalhada em estudo apresentado no NeurIPS 2025.
Pesquisadores do Google apresentam o DialogLab, framework open-source que ajuda a criar e testar conversas de grupo com IA. A ferramenta combina roteiro e improvisação para simular diálogos multipartes realistas.
Pesquisadores do Google Research ensinam LLMs a imitar a inferência bayesiana, melhorando a capacidade de recomendação e a generalização para novas tarefas.
