Paper no arXiv trata o alinhamento de segurança de modelos de difusão como uma barreira de energia e deriva três sinais de detecção sem treinamento. Nos testes com LLaDA-8B, LLaDA-1.5, Dream-7B e LLaDA-MoE-7B, todo ataque que escapou da detecção também falhou em gerar conteúdo nocivo.
O SkillEvoReg, framework submetido ao arXiv em 25 de setembro de 2026, combina dropout de skills, regularização por complexidade e validação causal para conter o acúmulo de instruções redundantes e as regressões causadas por atualizações em agentes de IA.
O paper TISD, publicado no arXiv em 25 de setembro de 2026, propõe que o professor escolha uma ramificação de trajetória e devolva ao aluno a geração do sufixo. O método ganha 1,2 ponto percentual de Avg@4 sobre o SDPO em modelos de código.
O EXAONE Demand 1.0 propõe um modelo de fundação para previsão de demanda com corpus de 11,3 milhões de séries e adapter que separa quatro classes de comportamento. Nas duas versões testadas, superou 36 TSFMs em 22 datasets.
O paper arXiv:2609.30887v1 propõe interação híbrida para agentes de GUI móvel: deeplinks nativos para navegação direta e toques como fallback. O sistema GUI-Hopper, segundo o resumo, melhora a taxa de sucesso em apps comerciais em dispositivos reais, sem divulgar números.
Método em 5 passos para aplicar IA em tarefas repetitivas, com exemplos de e-mail, reunião e atendimento e travas de revisão.
Estudo no arXiv mostra que recuperar skills persistentes apenas para a família de tarefas de origem eleva a utilidade média de trajetória de 0,713 para 0,816 e zera implantações prejudiciais em agentes de linguagem com modelo congelado.
O paper arXiv:2609.29145v1 propõe uma auditoria claim-gated do trio consulta-fonte-resposta que só resolve uma omissão quando evidência da relação, adoção, materialidade e divulgação são observados ao mesmo tempo. A validação reproduziu 81 combinações de predicados de três estados e recusou 192 registros malformados.
O SkillPivot, framework apresentado no arXiv, identifica o ponto exato em que a trajetória de um agente LLM deixa de ser produtiva e corrige apenas o trecho seguinte, preservando o que já funcionava.
O transformador, arquitetura publicada em 2017 pelo Google, é a base de GPT, Gemini e Llama. O texto vira tokens, cada token gera vetores de Query, Key e Value, e a self-attention calcula o peso de cada palavra sobre as outras. Entenda o mecanismo por dentro.
