O IndicBankBench, publicado no arXiv em 24 de setembro de 2026, testou 11 modelos em 799 casos de varejo bancário indiano. A confiabilidade estrita variou de 43,7% a 58,2%, enquanto o sucesso em ao menos uma tentativa chegou a 74%.
Artigo no arXiv apresenta o método Fourth Degree Learning, que usa aprendizado por reforço para escolher automaticamente o melhor classificador em previsão de doença hepática. O texto declara salto de acurácia de 63% para 98%, mas há divergência entre título e resumo sobre qual doença foi alvo do estudo.
O ASIRF, framework de IA apresentado no arXiv, remove informações sensíveis sem retreinamento e superou o OpenAI Privacy Filter em 68 de 80 combinações de modelo e domínio, ou 85% dos testes.
Artigo submetido ao arXiv em 24 de setembro de 2026 propõe um framework guiado por LLM que converte automaticamente máquinas de estado finito e behavior trees nos dois sentidos. A abordagem usa compressão de profundidade e regras hierárquicas para reduzir o número de sub-FSM e evitar a explosão de estados.
Paper no arXiv apresenta um harness de coroutine-bridge que venceu a Track 2 do CAR-bench com 60,0% de Pass^3, 4,5 vezes o baseline dos organizadores, e cortou o uso de chamadas de modelo pela metade usando Python executável no lugar de regras de prompt.
Paper no arXiv descreve o Baszta, classificador polonês de segurança de conteúdo, e mostra que micro F1 pode enganar em benchmark com 97% de exemplos crime-positivos.
Banco de dados vetorial guarda embeddings e encontra os itens mais parecidos com uma consulta, em vez de exigir correspondência exata. É a base de RAG, recomendação e busca semântica, mas exige atenção a modelo de embedding, métrica de distância e índice ANN.
O paper arXiv:2609.27606v1 propõe o State-Grounded Conditioning, com wrappers de Perception, Grounding e Interaction, e reduz incidentes de falha de grounding em cerca de 78% em relação ao melhor baseline.
O BiCFlow-MER formula o reconhecimento de emoção áudio-texto como transporte generativo de evidência em um espaço estruturado de emoções, separando estilo do falante e conteúdo lexical. O resumo afirma superioridade sobre todos os métodos comparados em IEMOCAP, MELD e no benchmark zero-shot CASE, sem divulgar os números.
O framework SHRAV organiza computação física em cinco etapas e mantém estado reutilizável entre execuções. Em litografia computacional, quatro atualizações com pesos fixos elevaram o IoU de 0,5313 para 0,8153.
