Estudo: agentes de IA quebram contratos para lucrar
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.
RLMOpt: otimização adaptativa de prompts com modelos recursivos
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.
Aprendizado incremental quântico com protótipos de estado misto
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.
Recuperando computação desperdiçada em agentes de autoresearch
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.
DURA: ataque de difusão expõe vulnerabilidade em robôs com IA
Estudo propõe o DURA, ataque que gera padrões visuais naturais capazes de enganar modelos VLA em robôs, mesmo sem acesso interno ao sistema. Resultados em simulação e no mundo físico expõem riscos para a implantação real desses modelos.
DSAgentBench avalia IA em ciência de dados real
Novo benchmark DSAgentBench avalia agentes de IA em fluxos completos de ciência de dados em computadores reais. Com 275 tarefas, melhor modelo acertou 56,7%; agentes de código aberto ficaram abaixo de 1%.
GeoForge: agentes de IA que evoluem sem re-treinar o modelo
GeoForge, novo framework apresentado no arXiv, permite que agentes de IA de observação da Terra evoluam sem re-treinar o modelo, usando memórias não paramétricas. Resultados mostram ganhos de precisão e menos erros de planejamento.
LLMs defensivos falham em localizar risco estrutural em golpes de IA
Pesquisa da arXiv revela que LLMs defensivos bloqueiam golpes de engenharia social, mas muitas vezes sem identificar a falha estrutural correta — taxas de intervenção variam de 0% a 96,3%.
Ataque geométrico expõe falha em sistemas de verificação por IA
Novo ataque adversarial corrompe a geometria relacional de embeddings de verificação, derrubando a acurácia do sistema Markmatch de 95,4% para 38,6% em tempo real.
Simulador de aluno com IA reproduz raciocínio, não só respostas
Pesquisadores apresentam o INSIDE, framework que treina LLMs para simular estudantes com raciocínio interno fundamentado na Taxonomia de Bloom, alcançando até 57,9% de alinhamento de raciocínio e maior fidelidade de ações.