Estudo do arXiv mostra que LLMs só desenvolvem neurônios especializados em domínios quando os dados de treino são modulares no nível de token; no nível de disciplinas, a especialização não existe.
Pesquisadores mostraram que 'mind viruses' se propagam entre agentes de IA; um aviso no system prompt confere imunidade quase total.
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.
Pesquisadores propõem o framework RGL, que ensina modelos a reconhecer emoções em conversas com raciocínio humano, atingindo desempenho de ponta nos benchmarks IEMOCAP e MELD sem custo extra na inferência.
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%.
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.
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.
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 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%.
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.
