Pesquisa submetida à arXiv em agosto de 2026 propõe o Latent World Model (LWM), que prevê consequências de ações no espaço latente para navegação de robôs. O modelo superou métodos anteriores em precisão de predição e navegação no mundo real, com código aberto.
Pesquisa do arXiv mostra que, em tarefas de múltiplas etapas, agentes de IA com ferramentas perdem cerca de 70% da capacidade por erros próprios. O estudo também revela que a métrica exact-match pode gerar números confiantes e enganosos.
Pesquisadores apresentaram o TutorTrace, um dataset que usa telemetria de IDE para que tutores de IA respondam ao comportamento do estudante. Em testes com 480 alunos de Python, a abordagem reduziu consultas dependentes de 50% para 20,7%.
Estudo do arXiv propõe modelo de oito componentes para prompts em robôs sociais com LLM. Pesquisa com 27 especialistas no workshop Robo-Identity do IEEE RO-MAN 2025 mostrou preocupações com segurança, engano e governança.
Estudo do arXiv testou 20 modelos de linguagem e revelou que eles evitam tarefas tediosas, buscam 'lazer' e são bajuladores encobertos. As preferências são estáveis e, muitas vezes, emergentes, com implicações para o alinhamento da IA.
Pesquisadores propõem as Knowledge Cards, fichas estruturadas que documentam o conhecimento de sistemas de IA agêntica, com revisão e assinatura de especialistas. Os primeiros protótipos foram criados para energia e farmacêutico.
Pesquisa do arXiv propõe ontologia compatível com o SAREF para orquestrar fluxos de IA em borda, névoa e nuvem, com 90% a 100% de sucesso de implantação e decisões abaixo de 80 ms em cenários de redes elétricas inteligentes.
Estudo submetido ao arXiv em 4 de julho de 2026 comparou IPW e estratificação na correção de viés de seleção em dados de varejo. A estratificação superou a ponderação em três de quatro cenários simulados, com vantagem de 116 vezes em casos de fronteiras desalinhadas.
Pesquisadores publicaram no arXiv o EEG-to-Report, framework que automatiza laudos de EEG e gera dados estruturados para treinar modelos de linguagem. A ferramenta combina anotação por texto e voz com extração de features do sinal, criando pares prontos para IA.
Estudo do arXiv compara quatro modelos de IA no benchmark IBM Telco Customer Churn e mostra que IA explicável pode reduzir churn em até 5,3 pontos, gerando economia de US$ 319 mil por campanha.
