AI FRONTIER
Signals worth understanding before they become obvious.
Tsinghua AI disponibiliza em código aberto o AKV, um servidor de engenharia de cache para agentes LLM no SGLang
A Tsinghua AI disponibilizou em código aberto o AKV, um servidor de engenharia de cache para agentes LLM construído sobre o SGLang. O resumo do artigo enquadra o trabalho em torno de questões de capacidade, avaliação ou alinhamento de grandes modelos de linguagem, adequado a leitores que acompanham métodos e resultados...
- A Tsinghua AI disponibilizou o AKV em código aberto e o posiciona como um servidor de engenharia de cache para agentes LLM.
- O AKV é construído sobre o SGLang.
- O resumo do artigo afirma que o trabalho aborda questões de capacidade, avaliação ou alinhamento de grandes modelos de linguagem.
Para quem constrói agentes LLM, o AKV separa a engenharia de cache em uma camada de serviço dedicada sobre o SGLang, o que vale testar para reutilização de cache nos caminhos de inferência dos agentes.
ISTA-DASLab publica quantizações GGUF não uniformes GSQ-RCO do DeepSeek-V4.1-Flash-1017
A ISTA-DASLab quantizou o MoE DeepSeek-V4.1-Flash-1017 de 763,2B parâmetros e 384 especialistas com precisão mista por tensor GSQ e RCO, lançando builds GGUF padrão IQ1_M (1,75 bpw), IQ2_XXS (2,00) e IQ2_XS (2,25).
- O modelo é um MoE esparso com 763,2B parâmetros, 384 especialistas roteados por camada, 6 ativos por token e janela de contexto de 1M tokens.
- O GGUF backbone contém 551,9B parâmetros, e as tabelas de consulta Engram são 196,6B parâmetros em IQ4_NL 4,50 bpw, compartilhadas por todos os builds.
- Os tamanhos totais são 231,32 GB para IQ1_M, 248,84 GB para IQ2_XXS e 265,83 GB para IQ2_XS; os três rodam em uma única GPU de 12 GB de VRAM com o Strata.
- O artigo relata que o IQ2_XXS iguala o modelo base em AIME25 (100,00), GPQA-Diamond (90,91) e LiveCodeBench v6 (89,71), com média de tarefas de 93,54 e recuperação de 100,0%.
Como o build IQ2_XXS de 2,00 bpw igualaria o modelo base nesses três benchmarks segundo o artigo, desenvolvedores podem testar localmente um MoE da classe 763B em uma GPU de 12 GB mais memória do sistema.
Self-Direction: transformar erros de agentes em lições duradouras
O artigo apresenta o Self-Direction, um mecanismo em que um agente que falha em uma tarefa reflete sobre sua própria trajetória para extrair uma lição e a destila imediatamente em um adaptador leve de baixo posto, mantendo os pesos originais congelados e armazenando os adaptadores em uma biblioteca persistente de liçõe...
- Cada adaptador treina parâmetros adicionais equivalentes a ~0,02% do número de parâmetros do modelo base
- Com agentes baseados em modelos abertos da família Qwen, as taxas de sucesso gerais melhoram de 8,9 a 17,0 pontos percentuais em GAIA, Claw-Eval e Terminal-Bench 2.1
- O artigo relata que o Self-Direction reduz erros repetidos em encontros futuros com uma tarefa, quase dobrando a confiabilidade das correções do agente
- O artigo relata que poucos adaptadores generalizam para dezenas de novas tarefas sem treinamento adicional
Para quem constrói agentes, persistir falhas como adaptadores de baixo posto roteáveis oferece um caminho de melhoria mais duradouro que a reflexão em contexto e mais barato que o ajuste completo de parâmetros.
Pesquisadores propõem o benchmark MMGR para testar o raciocínio de modelos multimodais
Pesquisadores propuseram o benchmark MMGR para testar a capacidade de raciocínio de modelos multimodais. O benchmark tem como objetivo avaliar o desempenho de modelos multimodais em tarefas de raciocínio.
- Pesquisadores propõem o benchmark MMGR para testar a capacidade de raciocínio de modelos multimodais.
- A informação foi reportada pela DoNews.
Para desenvolvedores de IA, o MMGR oferece um benchmark dedicado ao raciocínio multimodal, permitindo medir e comparar o desempenho de raciocínio de diferentes modelos multimodais.
Colaborar com comunidades acadêmicas para construir compreensão científica
A OpenAI compartilha resultados de modelos sobre a conjectura de Kakeya, a Hipótese do Tempo Exponencial e a cromodinâmica quântica, e como pesquisadores podem verificá-los e construir sobre eles.
- A OpenAI compartilha resultados de modelos sobre a conjectura de Kakeya.
- A OpenAI compartilha resultados de modelos sobre a Hipótese do Tempo Exponencial.
- A OpenAI compartilha resultados de modelos sobre a cromodinâmica quântica.
- A OpenAI descreve como pesquisadores podem verificar esses resultados e construir sobre eles.
Para desenvolvedores de IA, isso oferece casos verificáveis de saídas de modelos para avaliar raciocínio em problemas matemáticos e físicos.
SyncVid: difusão equivariante ao mundo para geração de vídeo sincronizado
O SyncVid amostra o prior de ruído gaussiano em um espaço 3D canônico derivado do vídeo de origem e o rasteriza para as câmeras de destino, em vez de amostrar independentemente em cada plano de imagem 2D. O método eleva um vídeo monocular a uma representação 4D canônica e adiciona um procedimento de branqueamento consi...
- O artigo eleva um vídeo monocular a uma representação 4D canônica, associa o ruído à geometria da cena e ao espaço não observado, e rasteriza o ruído estruturado resultante em vistas arbitrárias.
- O artigo propõe um procedimento de branqueamento consistente entre vistas que descorrelaciona pixels vizinhos enquanto preserva a correspondência entre vistas.
- O ruído estruturado serve como prior de difusão para um modelo de difusão de vídeo pré-treinado adaptado com LoRA, sem exigir modificações arquiteturais.
Para quem constrói geração de vídeo multivista, o SyncVid mostra que ancorar a aleatoriedade da difusão em um espaço 3D canônico pode melhorar a consistência entre vistas sem redesenhar a arquitetura de difusão.
PaperFormalizer: autoformalização em Lean de artigos de pesquisa com o autor no loop
PaperFormalizer é um pipeline agêntico baseado em Lean que parte do código-fonte LaTeX de um artigo, o transcreve em um grafo de dependências de enunciados, audita cada enunciado em linguagem natural quanto a fidelidade, ambiguidade e correção e, em seguida, formaliza e prova os enunciados em Lean contra Mathlib, bibli...
- O artigo foi submetido ao arXiv em 22 de outubro de 2026 como arXiv:2610.31810 (cs.AI, cross-list cs.LO).
- O pipeline parte do código-fonte LaTeX, transcreve o artigo em um grafo de dependências de enunciados e audita cada enunciado em linguagem natural.
- A formalização e a prova são realizadas contra Mathlib, bibliotecas de domínio opcionais e o kit de ferramentas pessoal do autor.
- Quando um enunciado admite mais de uma leitura, o pipeline para e pergunta ao autor, apresentando cada correção em linguagem natural e símbolos TeX como uma proposta que o autor pode aceitar, recusar ou redirecionar.
Para quem constrói ferramentas de IA matemática, o PaperFormalizer demonstra um padrão com o autor no loop que para diante da ambiguidade e deixa a decisão para o autor, preservando seu controle onde a formalização poderia mudar o que um ar...