Pesquisadores ampliaram um modelo de inferência ativa de direção humana para incluir emoções, representadas por valência e excitação. O trabalho, disponível como preprint no arXiv, foi avaliado em dois cenários interativos de trânsito.
Novo benchmark TREAT testa se modelos de linguagem reconhecem teoremas conhecidos quando a representação matemática muda; o melhor modelo acertou 60,73% das identidades em um corpus com 737 teoremas e 29.480 variações.
Estudo com 9.840 negociações entre LLMs de OpenAI, Google e Alibaba mostra que agentes chegam a acordo em 98,9% dos casos, mas a demora reduz o ganho conjunto em até 34%; modelos de entrada aceitam contratos ruins em 19,2% das vezes.
Pesquisadores apresentam o ZhuLong, agente de IA que usa execução em sandbox para inferir o comportamento de APIs não documentadas em scripts de EDA. No benchmark EDA-Eval-PyAether, o sistema alcançou 78,5% de Pass@1, contra 23,6% de um LLM puro.
Pesquisadores submetem ao arXiv o TongGuOCR, framework que combina consciência de layout e aumento de tokens para transcrever documentos históricos chineses. No benchmark M5HisDoc, o sistema supera modelos de OCR tradicionais e MLLMs, com redução expressiva de erros.
Estudo propõe tarefa ternária para detectar vídeos de fake news criados do zero por IA e cria o primeiro dataset com síntese pura. O framework R-T2V superou 10 baselines em acurácia e macro F1.
Pesquisadores lançam na arXiv o CliniCARE-Bench, benchmark que avalia agentes de IA em 750 casos baseados em prontuários reais e indica que acurácia bruta esconde falhas de processo.
Estudo propõe identificar a linhagem de LLMs de peso aberto a partir da geometria dos pesos, sem acesso a dados de entrada. Técnica foi testada em mais de 110 pares de modelos e pode apoiar auditoria e governança de IA.
Framework GraphThink integra grafos de tarefa e de cena ao raciocínio de LLMs e alcança desempenho de última geração no benchmark ALFRED, superando modelos comerciais por API em tarefas de horizonte longo.
Benchmark lançado no arXiv mostra que LLMs detectam falhas em agentes de IA com até 100% de F1, mas localizar a origem do defeito com telemetria padrão fica perto de zero.
