Todas as notícias
11055
LLMs avaliam tradução em 70 pares de idiomas: só superam os humanos em alguns pontos
Estudo testou LLMs como juízes de tradução (MQM e ESA) em 70 pares de idiomas e no WMT23/WMT25. Às vezes concordam mais com humanos do que eles entre si, mas não…
STI-OPD: uma intervenção probabilística do professor para tarefas de agentes em múltiplas etapas
Junnan Liu e coautores apresentam o STI-OPD, um framework de destilação de modelos de linguagem com intervenção adaptativa do professor. O método supera as…
MASA reinterpreta a atenção esparsa em LLMs como aproximação de matrizes
Autores de um preprint propõem selecionar elementos da atenção esparsa pela contribuição ao erro do produto de matrizes, e não pela magnitude dos pesos. O método…
LLMs escrevem planos de obras viárias para o WisDOT: 14B é pouco melhor que 7B
Wieszcz-XIX: corpus polonês anterior a 1918, com 3,1 bilhões de palavras, treina modelos do zero
Diffu-LoRA ensina o adaptador a decidir em quais camadas do Stable Diffusion o rank é necessário
GenUI-Harness leva modelo de 4B de 9,33% a 58% em Pass@3 e supera o Claude Opus 5
OpenProblemBench: GPT-6-Astra resolve 14% dos problemas abertos de matemática e física
Novo benchmark reúne 82 problemas sem solução de matemática e física teórica. A melhor, GPT-6-Astra, marcou 14,0%; os modelos abertos de grande porte ficaram entre…
AgentHorizon: o melhor juiz, o GPT-5.5, atingiu apenas 80,9% em tarefas longas de agentes
O novo benchmark AgentHorizon testa se juízes baseados em LLM sabem avaliar cenários longos de agentes computer-use. O melhor resultado é do GPT-5.5, com 80,9% de…
Pesquisadores provam que inflar o AGENTS.md prejudica: o arquivo tem um limite de tamanho
GUISE mostra: invólucro narrativo burla o Qwen3-1.7B em 89–96% dos casos
LLM ensina planejador a funcionar com memória polinomial e resolve 1709 de 1890 tarefas
StoreBench: agentes de LLM gerenciam uma loja virtual e perdem para um script — 49% contra 97%
Autores no arXiv pedem que a “verdade” única da rotulagem dê lugar a um espaço de interpretações
Um position paper no arXiv propõe parar de reduzir a rotulagem a uma única resposta e modelar o espaço de julgamentos humanos aceitáveis, do treinamento à…
TGIT traduz comandos curtos para drones e eleva o sucesso de navegação de 11% para 33%
O tradutor de instruções TGIT não mexe no navegador congelado OpenFly, mas eleva o sucesso das missões de 11,33% para 32,51% com comandos humanos reais.