O MobileJudgeBench, novo benchmark para avaliar LLMs como juízes de agentes mobile, mostra que um baseline simples compete com métodos elaborados — e que o modelo de linguagem por trás do juiz é o fator decisivo.
Pesquisadores publicaram no arXiv o SABLE, framework de código aberto que combina LLM, química computacional e otimização Bayesiana para priorizar análogos sinteticamente viáveis na fase hit-to-lead de descoberta de fármacos.
Estudo pré-registrado no arXiv mostra que voto majoritário em self-consistency reduz a acurácia na maioria das questões do GPQA Diamond para LLMs pequenos como Qwen2.5-7B e Llama-3-8B.
Pesquisadores propõem o Social Chain of Thought (SCoT), arquitetura multi-agente para diagnóstico médico diferencial que recupera diagnósticos em casos complexos que a inferência monolítica perde. O estudo foi submetido ao arXiv em agosto de 2026.
Pesquisa do arXiv mostra que prompts decompostos em agentes especialistas melhoram números, mas não o julgamento, em análise de empresas europeias de real estate; ajuste fino com reinforcement learning cobre a lacuna.
Um preprint no arXiv propõe um pipeline de Teoria da Mente inversa que infere crenças, preferências e traços de personalidade a partir do comportamento de navegação, com resultados que igualam ou superam personas de referência no dataset OPeRA. O estudo também demonstra a abordagem em um aplicativo bancário espacial no visionOS.
Comparação inédita no Flickr30k mostra GPT-4.1 e Claude Sonnet 4.6 no mesmo nível do Gemini Embedding 2; embeddings pré-computados seguem melhores para aplicações de baixa latência.
O Apodex Discovery, apresentado no arXiv em agosto de 2026, propõe avaliar IA por investigações verificáveis em problemas reais, e não por benchmarks fixos. Nos testes iniciais, superou o estado da arte em 7% no design de capsídeos AAV.
Pesquisa submetida ao arXiv em agosto de 2026 mostra que leaderboards de agentes de IA medem especialização, não capacidade geral — e propõe uma disciplina de relatório de uma página para decisões corporativas de adoção.
Pesquisa no arXiv propõe duas abordagens para detecção de anomalias em vídeo: um método sem treinamento e um agente multimodal que se autocorrige durante a análise. O estudo apresenta o benchmark VAGU-T, com 7.567 vídeos, e a métrica JeAUG.
