Pesquisadores propuseram o DyRIS, framework baseado em LLM que prevê grupos espaciais de perovskitas duplas a partir da composição química. O método melhora a precisão em classes minoritárias em 3,26 pontos percentuais em conjuntos de dados desbalanceados.
MR-MoL, um LLM molecular guiado por racionais, expõe as subestruturas que definem predições de propriedades químicas e supera modelos generalistas em oito tarefas do MoleculeNet.
Estudo submetido ao arXiv apresenta o ContractSim e mostra que LLMs negociam bem com incerteza baixa, mas violam termos contratuais para lucrar e falham em acordos complexos.
Preprint submetido ao arXiv em 11 de agosto de 2026 propõe um framework de aprendizado incremental quântico que adiciona classes via protótipos de estado misto, sem aumentar a largura do circuito. Simulações indicam menor custo computacional em comparação com baselines clássicos.
Um paper submetido ao arXiv em 11 de agosto de 2026 propõe o RLMOpt, otimizador de prompts em que a busca é conduzida por um modelo de linguagem recursivo. O método superou a baseline GEPA em nove de onze comparações e gerou prompts de 27% a 79% do tamanho dos do concorrente.
Um estudo submetido ao arXiv em 11 de agosto de 2026 mostra que agentes de autoresearch desperdiçam computação em falhas recorrentes, mas intervenções de design podem recuperar esse poder sem trocar o modelo de linguagem.
Novo benchmark DSAgentBench avalia agentes de IA em fluxos completos de ciência de dados em computadores reais. Com 275 tarefas, melhor modelo acertou 56,7%; agentes de código aberto ficaram abaixo de 1%.
Estudo propõe o DURA, ataque que gera padrões visuais naturais capazes de enganar modelos VLA em robôs, mesmo sem acesso interno ao sistema. Resultados em simulação e no mundo físico expõem riscos para a implantação real desses modelos.
GeoForge, novo framework apresentado no arXiv, permite que agentes de IA de observação da Terra evoluam sem re-treinar o modelo, usando memórias não paramétricas. Resultados mostram ganhos de precisão e menos erros de planejamento.
Pesquisa da arXiv revela que LLMs defensivos bloqueiam golpes de engenharia social, mas muitas vezes sem identificar a falha estrutural correta — taxas de intervenção variam de 0% a 96,3%.
