O LearnActCoder usa o framework Learn-Then-Act para transformar erros de codificação clínica em uma base estruturada de conhecimento, a MistakeKDB. Em 150 notas MIMIC-III pareadas, a memória elevou o F1 de CPT em 5,9 pontos percentuais sem atualizar pesos do modelo.
O AutoData, agente descrito no arXiv em 17 de setembro de 2026, busca algoritmos executáveis de seleção de dados de pré-treinamento em vez de apenas pesos de mistura. Em uma busca noturna, superou pipelines de curadoria humanos e melhorou a métrica CORE ao transferir a receita para escalas maiores.
O MaSCoD, framework multiagente publicado no arXiv em 17 de setembro de 2026, organiza contexto estrutural antes de julgar arestas causais. Nos testes com GPT-5.4 e GPT-4o, a variante Full teve recall e F1 maiores que a No Phase 1 nas seis configurações, com mais falsos positivos.
Um estudo com 3.600 agentes de IA e 21.600 simulações de compras online mostra que agentes de GUI cedem a nudges digitais dos dois tipos. Mais raciocínio não os torna mais resistentes, apenas desloca a influência para outro canal.
Artigo no arXiv apresenta um sistema multimodal que organiza resumos clínicos, imagens médicas e entidades biomédicas de 52.949 relatos de caso publicados entre 2000 e 2021 em uma ontologia médica pesquisável, com foco em ajudar clínicos iniciantes a identificar doenças raras.
Um paper no arXiv (2609.19789v1) mostra que sistemas de trading multiagente com LLM são vulneráveis a ataques que entram apenas por posts de redes sociais. Mesmo atacantes simples degradam o perfil risco-retorno e reduzem com força as razões de Sharpe.
O Depth Control Protocol, proposto em artigo submetido ao arXiv em 17 de setembro de 2026, separa três fatores que a truncagem de profundidade mede de uma só vez: número de aplicações de bloco, volume de computação distinta e posição da cabeça de leitura no fluxo residual. O paper sustenta que a inclinação lida hoje confunde os três e é interpretada como se refletisse apenas um.
Paper no arXiv formaliza o raciocínio composicional com um framework de grafo de dependências e encontra uma assimetria consistente: ensinar habilidades isoladas não garante que o modelo saiba combiná-las, enquanto treinar em tarefas compostas transfere melhor para as partes.
O framework AutoTuring entrega o mesmo espaço de 15 dimensões ao mesmo agente duas vezes, uma com nomes de arquitetura e outra com variáveis anônimas. Na cesta de nove kernels FP16 GEMM, o agente que enxerga significado supera o H200 modelado em 5,4% e a versão cega em 12,3%.
Um estudo do arXiv mapeou 14.767 papers de benchmarks para LLMs publicados entre janeiro de 2022 e agosto de 2026. A avaliação feita por modelos de linguagem cresce, e a pesquisa pergunta se isso gera evidência independente ou reproduz os vieses dos próprios modelos.
