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.
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%.
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.
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.
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.
Novo método self-supervised para otimizar agentes de planejamento reduz custo computacional em até 5,5 vezes, dispensando rótulos humanos.
Estudo submetido ao arXiv propõe usar GFlowNets para treinar um modelo de ataque contra outro LLM, automatizando o red teaming e gerando ataques em inglês e turco.
Estudo no arXiv mostra que embeddings semânticos de paradas, gerados offline por um LLM, reduzem em 69,2% os eventos de bunching e em 24,0% o tempo de espera em controladores de ônibus baseados em aprendizado por reforço.
Um framework de pós-treinamento apresentado na arXiv ensina LLMs a compensar feedback imperfeito; em testes, reduziu sycophancy e melhorou a imparcialidade na geração de notícias.
Preprint submetido ao arXiv propõe o Nutrition Data Service, infraestrutura que aplica princípios FAIR a dados de nutrição para tornar análises de agentes de IA reprodutíveis e auditáveis. Em testes no benchmark NutriBench, o serviço superou o melhor resultado publicado de modelos de linguagem.
