Estudo do arXiv mostra que medir a confiança intrínseca de LLMs (logit-based energy scoring) supera o método LLM-as-judge em 33,0% vs 16,6% no ranking de hipóteses científicas, com pico de 53,1%.
Estudo do arXiv mostra que prompts de estado explícito não melhoram a classificação de políticas de memória em LLMs como Llama-3.3-70B e GPT-OSS-120B, exigindo auditorias mais rigorosas.
Nova defesa 'Fool's Gold' para modelos de IA abertos envenena respostas quando controles de segurança são removidos, tornando-as falsificadas e perigosas para o próprio atacante.
Pesquisa mostra que agentes usando LLMs podem gerar automaticamente scripts Python que extraem características de problemas de otimização, superando métodos manuais em até 8,3 pontos percentuais.
Novo framework de avaliação usa simuladores que aprendem para medir como assistentes LLM calibram informações. A pesquisa mostra que o melhor modelo de IA muda conforme o nível de conhecimento do usuário.
Pesquisa do arXiv propõe que a IA pessoal deve se basear em um ciclo de confiança e consentimento com o usuário, não apenas em vasta coleta de dados.
Novo método CASE usa estados internos de LLMs para escolher a melhor resposta, com uma métrica chamada decodability que prevê quando supera a votação majoritária em até 19 pontos.
KernelArc, framework multi-agent para otimização de GPUs, ocupa primeiro lugar no leaderboard SOL-ExecBench, demonstrando eficiência da IA em melhorar hardware.
Pesquisa propõe o DiSCO, um sistema black-box plug-and-play que ajusta prompts em tempo real para evitar a geração de conteúdo NSFW por modelos de IA, reduzindo ataques adversariais em até 37,7% sem modificar o modelo.
Novo paper define fronteira entre memória e sinalização para otimizar agentes de IA com recursos limitados, reduzindo necessidade de comunicação.
