Pesquisadores criaram o BEST-KAG, framework que usa grafos de conhecimento multimodal e LLMs para responder perguntas sobre normas de engenharia de construção, com melhoria de até 74,01% frente a LLMs convencionais.
Paper na arXiv propõe que restrições semânticas de segurança são off-support, unificando explicações para jailbreak e reward hacking — e sugere que invariantes rígidos devem viver no harness, não no modelo.
Pesquisadores apresentam o GeoIncNO, operador neural que reduz o acúmulo de erros em previsões de longo horizonte de PDEs, com testes em seis benchmarks de sistemas 1D, 2D e 3D.
Artigo submetido ao arXiv propõe o CORA-Diff, método sem treinamento que corta passos redundantes de denoising e reduz o tempo de inferência em DLMs — com até 13,14x de speedup em protocolos específicos e queda máxima de 1,22 ponto nas tarefas.
Paper no arXiv propõe o LinearKV, framework sem treinamento que adapta position-independent caching a LLMs híbridos. Um único estado em cache por camada linear recupera até 92% da qualidade, com menor latência que a composição exata de estados.
InfraBench, benchmark público para agentes de IA em infraestrutura, mostra que os melhores modelos pontuam entre 40% e 88% e deixam efeitos colaterais para trás. O estudo foi publicado no arXiv e está disponível em infraben.ch.
Estudo submetido ao arXiv propõe novas formulações para particionar redes viárias em territórios contíguos, com aceleração de até 17x e solução ótima na maioria dos casos de distritização com equilíbrio de carga.
Estudo no arXiv inverte a lógica do aprendizado de IA por preferências: em vez de responder o algoritmo, o professor desenha o currículo e o aprendiz devolve declarações de entendimento. Em simulação, o método supera a seleção liderada pelo algoritmo e repara a deriva causada por troca de professores.
Framework Q-CARE avalia RAG sem respostas de referência e, em oito datasets, atingiu correlação maior com julgamentos humanos do que quatro métricas existentes, como RAGEval e RAGChecker.
Pesquisadores mostram que os efeitos colaterais do activation steering podem ser previstos antes da aplicação da técnica, a partir das próprias representações do modelo. O estudo mapeou 67 comportamentos em três modelos open-weight.
