Estudo no arXiv propõe cinco verificações para avaliar sinais de escalonamento em roteamento de LLMs. No GSM8K, a entropia semântica alcançou AUROC de 0,871 e ganho de até nove pontos, mas um teste sintético mostrou que uma regra de dificuldade sem modelo chegava ao mesmo resultado.
Pesquisa no arXiv testou 1.119 ações de agentes de IA e mediu pilhas de proteção com uma camada de regras e quatro juízes de LLM. Dois juízes empilhados equivalem a apenas 1,2 a 1,4 camadas de proteção efetiva, o que questiona a lógica de empilhar gates para reduzir risco.
O paper arXiv:2610.07403v1 propõe um framework 2x2 que separa defesas internas e externas contra sycophancy em LLMs. No Llama 3.1 8B, o Router Gate reduziu a bajulação média de 35,80% para 31,32%, mas sem significância estatística.
O benchmark 2D-FET-Bench V2, publicado no arXiv, reúne 128 tarefas para medir se agentes de modelo de linguagem desenham layouts de transistores em flakes 2D. A melhor configuração, GPT5.6-Luna com ReAct-3, passou em 62,3% das tentativas e teve 43,8% de consistência.
Alucinação em LLM é a resposta errada entregue com a mesma segurança da certa. Entenda por que o modelo inventa e quais técnicas, de RAG a verificação em camadas, reduzem o risco em aplicações reais.
Paper publicado no arXiv em 2 de outubro de 2026, em colaboração com o eBay, mapeia falhas nos mecanismos de feedback de IA generativa e testa um protótipo para coletar avaliações de usuários de forma mais eficiente.
Pesquisa no arXiv mede pela primeira vez a probabilidade de agentes de LLM adotarem uma afirmação conforme o endosso dos pares. A adoção segue curva sigmoide e o consenso coletivo se mostra mais difícil de desfazer do que de criar.
Pesquisa publicada no arXiv em 2 de outubro de 2026 descreve o GHOST, falha em agentes de longo horizonte que ignora restrições de segurança definidas muitas interações antes. A taxa de ocorrência chegou a 11,5% no GPT-5.5. Uma defesa em duas camadas, o STAR-Guard, zerou os casos nos experimentos.
A técnica SR-OPD, apresentada em artigo no arXiv, usa rollouts bem-sucedidos do próprio aluno como referência para escolher quais falhas recebem supervisão do professor. Nos testes, consumiu entre 3,46% e 5,02% dos tokens de input exigidos pelo método tradicional, com desempenho de raciocínio comparável.
Estudo no arXiv avaliou LLMs com trajetórias de UTI e encontrou dois modos de falha na revisão de julgamento clínico: reação mais forte à piora do que à melhora e ancoragem no risco prévio. O prompting não corrigiu o comportamento.
