Estudo do arXiv mostra que, em pipelines de raciocínio, a regra de decisão importa mais que a acurácia do LLM judge. Limitar o poder do juiz com certificados de evidência superou voto majoritário e juiz livre em GSM8K e HotpotQA.
Pesquisadores apresentaram o GRACE, um framework que usa LLMs para clusterizar dados tabulares mistos com custo computacional reduzido. O método superou 11 concorrentes em precisão e interpretabilidade, mantendo a escalabilidade das abordagens estatísticas.
Pesquisa do arXiv propõe destilar skills de trajetórias existentes para recuperar até 100% da vantagem do modo de raciocínio do GPT-5.4-mini com até 6x menos tokens. A técnica foi validada em quatro benchmarks de agentes.
Framework GraphThink integra grafos de tarefa e de cena ao raciocínio de LLMs e alcança desempenho de última geração no benchmark ALFRED, superando modelos comerciais por API em tarefas de horizonte longo.
Pesquisadores lançam na arXiv o CliniCARE-Bench, benchmark que avalia agentes de IA em 750 casos baseados em prontuários reais e indica que acurácia bruta esconde falhas de processo.
Benchmark lançado no arXiv mostra que LLMs detectam falhas em agentes de IA com até 100% de F1, mas localizar a origem do defeito com telemetria padrão fica perto de zero.
Pesquisadores propõem o KGCache, um cache em memória para vizinhanças de knowledge graphs que acelera a recuperação de grafos em até 1,91x em workloads de perguntas e respostas com LLMs.
Estudo submetido ao arXiv formaliza quando a contaminação de benchmarks de IA é detectável e mostra que 'sem evidência' pode refletir apenas uma auditoria sem poder estatístico. A eficácia dos detectores pode ser estimada antes da auditoria, mas orçamentos simples falham em amostras pequenas.
Pesquisadores submetem ao arXiv o TongGuOCR, framework que combina consciência de layout e aumento de tokens para transcrever documentos históricos chineses. No benchmark M5HisDoc, o sistema supera modelos de OCR tradicionais e MLLMs, com redução expressiva de erros.
Pesquisadores apresentam o AndroidReality, framework que mede a robustez de agentes móveis de IA sob perturbações realistas de interface. O estudo mostra que o desempenho em benchmarks limpos não se mantém no mundo real e propõe um mecanismo de correção sem treinamento.
