Estudo do arXiv mostra que, em pipelines de raciocínio, a regra de decisão importa mais que a acurácia do LLM judge. Limitar o poder do juiz com certificados de evidência superou voto majoritário e juiz livre em GSM8K e HotpotQA.
Pesquisadores apresentam o TRACE, benchmark que rastreia em cinco camadas como drift e falhas se propagam em sistemas humano-IA. Com 1.918 traces, o padrão permite diagnosticar onde a coordenação quebra e como recuperá-la.
Preprint no arXiv propõe a Mendel Gödel Machine, método em que agentes de programação se auto-melhoram usando o histórico completo de tentativas, com base em princípios de herança mendeliana. Testes em SWE-bench e Polyglot indicam ganhos consistentes de performance, eficiência e generalização.
Pesquisadores apresentam o NeSy-Spatial, framework neuro-simbólico que faz agentes de IA acumularem e refinarem habilidades de raciocínio espacial. O método melhora a precisão em três benchmarks e reduz a dependência de pipelines fixos.
Paper submetido ao arXiv propõe o MCF-CVA, framework que combina múltiplos agentes morais para alinhar modelos de linguagem a valores contextuais. Testes indicam desempenho superior a abordagens com agente único em métricas padrão.
Estudo submetido ao arXiv formaliza quando a contaminação de benchmarks de IA é detectável e mostra que 'sem evidência' pode refletir apenas uma auditoria sem poder estatístico. A eficácia dos detectores pode ser estimada antes da auditoria, mas orçamentos simples falham em amostras pequenas.
Artigo do arXiv mostra que conflitos entre memórias acumuladas em agentes de IA suprimem o aprendizado contínuo; o framework CMI ajuda a diagnosticar e tratar o problema.
Pesquisadores apresentam o Agent-MD, framework que usa LLMs apenas em eventos críticos de simulações moleculares longas, completando 120 ciclos sem invocar raciocínio de IA na rotina.
A OpenAI classificou como infundado o processo movido pela Apple, corrigiu alegações sobre seus funcionários e divulgou mensagens para documentar sua versão do caso.
Estudo do arXiv mostra que oito modelos de linguagem de quatro famílias — incluindo Anthropic e OpenAI — preferem consistentemente filmes aclamados pela crítica a sucessos comerciais, revelando um viés de prestígio cultural embutido nos LLMs.
