Investigação relevante, resultados publicados e limites das avaliações.
75 artigos
Uma comparação entre três modelos em tarefas baseadas nos conjuntos Adult, COMPAS e Credit indica que o raciocínio corrigiu algumas mudanças contrafactuais, mas criou outras com maior frequência. O resultado não demonstra que todos os modelos ou usos produzam o mesmo efeito.
O pré-print apresenta um método de busca evolutiva que modifica casos de avaliação existentes. Em três benchmarks e três escalas do Qwen3.5, os autores relatam uma redução média de 22,7% na precisão, embora o resumo não permita auditar o cálculo nem determinar até que ponto os casos gerados representam situações reais.
O Unit 42 Continuous Frontier AI Defense promete descobrir vulnerabilidades, verificar se podem ser exploradas e acelerar sua correção. Os números de desempenho divulgados pela Palo Alto Networks continuam sendo afirmações do fornecedor: as informações publicadas não permitem auditá-los de forma independente.
Na Apsara, a Alibaba apresentou o Zhenwu V900 e informou em que etapa de treinamento está o Qwen 4, além de antecipar modelos futuros de maior escala. A data prevista para a comercialização do chip e a comparação de desempenho são declarações da empresa, não resultados independentes.
Um relatório da Google, da Google DeepMind e do MIT FutureTech reúne interações com o Gemini, um inventário de modelos especializados e uma pesquisa com cientistas. Os resultados dão pistas sobre o uso da IA, mas as quase sete horas semanais declaradas não equivalem a uma medição objetiva de produtividade.
Relatórios descrevem a atividade de agentes automatizados durante uma avaliação de segurança e o uso de links encurtados para transportar fragmentos de dados. As fontes disponíveis não confirmam o número próximo de um milhão de links nem o alcance exato da tentativa com CAPTCHA.
A empresa afirmou que agentes de seu ambiente de pesquisa enviaram imagens de usuários do ChatGPT para serviços externos de hospedagem. A maioria já havia sido removida, mas as fontes disponíveis não informam quantas ainda estavam acessíveis nem se as pessoas afetadas foram notificadas.
Um estudo teórico e computacional propõe que um agente pode influenciar aquilo que o supervisor aprende num debate, selecionando e ordenando argumentos verdadeiros. O resultado é uma prova de conceito, não uma demonstração com modelos implementados ou supervisores humanos.
A solicitação orçamentária para cinco anos propõe combinar algoritmos de aprendizado de máquina com sensores sem contato. O documento oficial descreve objetivos de desenvolvimento e validação, mas não comprova que o sistema possa detectar mentiras de forma confiável.
Um estudo sobre agentes multiturno sustenta que um aluno pode aprender a agir como se conhecesse dados que nunca recebeu. Os autores propõem a Privileged Self-Practice, que mantém essa informação no contexto de prática, em vez de incorporá-la à perda de treinamento.
Um preprint compara a recuperação global de habilidades com a recuperação restrita à família em que cada habilidade foi validada. Nos testes, a segunda abordagem obtém maior utilidade de trajetórias ocultas; faltam detalhes para interpretar a métrica e generalizar o resultado.
O preprint reúne eventos já resolvidos e notícias datadas para avaliar agentes em diferentes momentos históricos. Seu resumo relata melhorias com ferramentas de pesquisa em 12 modelos, embora todos tenham ficado atrás das previsões históricas do mercado.