Estudo apresenta o monitor RGE, que usa o conceito de ontological trust para detectar silenciosamente se agentes de IA de múltiplos passos se desviaram da tarefa autorizada, atingindo 93% de F1 em testes.
Cascatas de modelos de IA que reduzem emissões de CO2 até 10x podem perder eficiência quando os dados são perturbados, alerta estudo recente.
Novo método chamado InnerExpert usa sinais internos de Mixture-of-Experts para detectar alucinações em LLMs a nível de token, superando abordagens existentes.
Pesquisa publicada no arXiv audita três frameworks de autoevolução para agentes IA financeiros em simulação de e-banking e constata que ganhos de capacidade vêm acompanhados de aumentos na taxa de sucesso de ataques e em mudanças não autorizadas de estado financeiro.
Pesquisa do arXiv demonstra que a memória de agentes LLM pode ser explorada para criar cascatas de polarização em comunidades digitais, expondo nova superfície de ataque em plataformas de IA.
Pesquisa com seis modelos de linguagem revelou que as preferências humanas inferidas por LLMs não seguem uma lógica consistente, desafiando seu uso direto para decisões automatizadas.
Pesquisa publicada no arXiv introduz J64 e R64, métodos que tornam legível o estado interno de modelos MoE e melhoram acurácia em até 5,9 pontos — sem modificar a arquitetura do modelo.
Artigo no arXiv prova equivalência matemática entre graph surgery e o do-operator em modelos causais acíclicos, reforçando bases teóricas para IA e inferência causal.
Estudo publicado no arXiv valida um método sem rótulos para drones que contam multidões, recuperando até 49% de erro em cenários diferentes dos de treinamento. A pesquisa, focada na Copa de 2034, estabelece um protocolo operacional para evitar desastres em eventos de massa.
MoNe é uma memória neural modular que reduz custos e memória em contextos longos para Transformers, com sobrecarga de apenas 6,4% e desempenho superior em benchmarks.
