"IA — notícias de 2026-08-31"

Fontes

Logos: An Agent Harness on a Cross-Process Bus

arXiv cs.AI · 2026-08-31 Harness que tira agentes de um único processo para um barramento cross-process, mantendo invariante de composability espácio-temporal. Formaliza capacidades como componentes com inversa rastreada e demonstra que statelessness do LLM permite estado fora do modelo, preservando correção mesmo com falha isolada por componente. Proposta relevante para orquestração de agentes com tolerância a falhas e escalonamento de harnesses distribuídos. Abrir fonte

DARTS: Decoder-Aware Representation Tuning via Surgery for Model Merging

arXiv cs.LG · 2026-08-31 Estuda bias de representação ao fundir LLMs decoders fine-tunados sem treino adicional e propõe correção leve com perda L1. Mostra que máscara causal faz bias acumular por posição de token, exigindo correção dependente de posição, diferente de encoders de visão. Avanço direto para merging de modelos, fine-tuning eficiente e infraestrutura de consolidação multi-tarefa sem re-treino. Abrir fonte

Training Communication-Efficient MoE with Layer Re-Configuration (CE-MoE)

arXiv cs.AI · 2026-08-31 Propõe CE-MoE que desacopla profundidade de token-mixing e channel-mixing, concentrando capacidade de experts em poucas camadas MoE roteadas e adicionando camadas densas para manter profundidade. Em escala de 2B a 31.5B parâmetros, reduz custo de all-to-all dispatch/combine mantendo loss de validação e benchmarks sob mesmos parâmetros ativos. Implicação direta para treino e serving de MoE com paralelismo de experts. Abrir fonte

ContextPilot: Teaching Agents for Proactive Context Management via Fine-grained RL

arXiv cs.CL · 2026-08-31 Introduz ContextPilot para gestão proativa de contexto em tarefas agênticas de longo horizonte, com toolkit ampliado para planejamento global, memória de longo prazo e compressão adaptativa. Corrige exploração ineficiente e credit assignment grosso ao atribuir recompensas finas por ação de edição de contexto durante RL. Relevante para harnesses de agentes que mantêm working context sem crescimento explosivo. Abrir fonte

CultureConverse: A Multilingual Multi-turn Simulation Harness for Culturally Grounded Assistance

arXiv cs.CL · 2026-08-31 Apresenta harness de simulação e avaliação multi-turn multilíngue para assistência culturalmente fundamentada em 10 regiões da Ásia Oriental/Sudeste, 58 subgrupos e 7 domínios. Gera 14.610 episódios de benchmark e 274.295 diálogos oracle-guided, avaliando 18 modelos com GPT-5 mini no topo em qualidade de assistência. Contribui para avaliação de agentes com skills culturais e simulação harness. Abrir fonte

Fidelity Is Not Enough: Dispatch-Level Instrumentation for Agentic Datasheet Extraction

arXiv cs.CL · 2026-08-31 Demonstra que fidelity (acerto do valor extraído) esconde falhas silenciosas onde modelo nunca abriu o datasheet por constraint de output estruturado. Cria benchmark de 37 claims com log de cada tool call e dois instrumentos: classificador de falha e detector silent-failure baseado apenas em quais tools foram chamadas. Aponta para harnesses de avaliação que auditam dispatch, não só resposta final. Abrir fonte

Sliding-window beats linear attention

arXiv cs.CL · 2026-08-31 Compara retrofitting de LLMs para linear attention versus baseline simples de Sliding Window Attention com sinks e mostra que SWA iguala ou supera linear attention pós-treinada em múltiplos setups. Questiona promessa de resolver escala quadrática apenas com linear attention, reforçando valor de janelas deslizantes para inference de contexto longo com baixo custo. Relevante para arquitetura de atenção e eficiência de memória. Abrir fonte

EvoUndo: Recoverability-Constrained Self-Evolution for LLM Agent Harnesses

arXiv cs.AI · 2026-08-31 Framework para representar, sintetizar e verificar recuperabilidade de auto-modificações de harnesses geradas pelo modelo em estados contrafactuais. Em 600 tarefas de self-evolution, 197 mutações que melhoram capacidade falham verificação de recuperabilidade, com reparo convencional recuperando 0/197. Estende cálculo de recuperação elevando oráculo de 48/197 para patamar superior, crítico para evolução segura de harnesses. Abrir fonte

Parser States Already Know: Structure-Conditioned KV Persistence for Structured Generation (PASK)

arXiv cs.LG · 2026-08-31 Propõe PASK que usa transições de parser de geração estruturada (JSON/SQL/function calls) para decidir persistência de KV por grupo de camadas. Combina floors de proteção baseados em sensibilidade a erro de tarefa com alocação por distorção de attention-output, expondo sinal estrutural antes ignorado por compressão de KV. Avanço para inference com KV cache condicionado à gramática e confiabilidade de agentes. Abrir fonte

A Probabilistic Interpretation of KV Cache Eviction

arXiv cs.CL · 2026-08-31 Formaliza evicção de KV cache como estimativa de expectativa e prova dureza computacional, propondo aproximação por amostragem com correção para entradas evictadas. Mostra que heurísticas atuais podem ser vistas sob lente probabilística, permitindo otimização de throughput com garantias. Útil para serving com cache comprimido e quantização de memória. Abrir fonte

HARTS: Efficient Agentic Reinforcement Learning for Hybrid-Attention Models over Arbitrary Rollout Trees

arXiv cs.LG · 2026-08-31 Apresenta HARTS que planeja microbatches, réplicas DP e scheduling com compressão de prefixo para RL agêntico com árvores de rollout irregulares. Para atenção linear chunkwise, algoritmo linear coordena recuperação de estado e replay com número mínimo de chamadas de atenção linear, preservando particionamento de estado e evitando recomputação de prefixos compartilhados. Otimiza treino e inference híbrida com recomputação. Abrir fonte

VICT: Verifier-Instrumented Credit Tracing for Long-Horizon LLM Agent RL

arXiv cs.LG · 2026-08-31 Propõe VICT que expõe átomos executáveis do verificador terminal e os rastreia a ações via arestas de prova com dependência válida, redistribuindo recompensa esparsa com granularidade fina. Ao invés de tratar verificador como escalar, usa estrutura interna da tarefa para credit assignment preciso em trajetórias longas. Melhora RL de agentes com recompensas verificáveis e orquestração de treino. Abrir fonte

H-Scale: Hessian-Guided Scale Refinement for NVFP4 Sub-Byte LLM Inference

arXiv cs.CL · 2026-08-31 Método leve pós-processamento para refinamento de escalas por grupo em NVFP4 no Blackwell, usando proxy diagonal de segunda ordem derivado de ativações de calibração. Em vez de minimizar erro de reconstrução de peso, seleciona escalas válidas em hardware visando perda de camada, explorando espaço sensível de fatores por micro-bloco de 16. Crítico para inference sub-byte em 4 bits com eficiência e qualidade. Abrir fonte

Speculative Probing: LLM Monitoring at Speculative-Decoding Cost

arXiv cs.AI · 2026-08-31 Reaproveita módulo de speculative decoding para classificação em tempo real, anexando soft prompt treinado ao fim da sequência alvo para transformar o draft em classificador. Oferece monitoramento de segurança e comportamento com custo de speculative decoding, evitando trade-off de probes de hidden-state ou classificadores dedicados pesados. Aplicável a filtragem e observabilidade durante inference. Abrir fonte

HyQuant: Hybrid-Precision Quantization for LLM Attention

arXiv cs.AI · 2026-08-31 Apresenta HyQuant que quantiza maioria dos estados de attention em baixa precisão e mantém pequeno conjunto de tokens de linha vertical e janela local em alta precisão. Seleção usa sinais leves de padrão de atenção vertical, reduzindo erro de quantização com overhead limitado. Otimiza prefill com quantização híbrida, equilibrando acurácia e eficiência em inference quantizada. Abrir fonte

lm-evaluation-harness v0.4.13 — bug fixes de leakage e novos backends ONNX

GitHub EleutherAI/lm-evaluation-harness · 2026-08-31 Release focada em correções que alteram números prévios: leakage de documentos few-shot, bug de filtro MultiChoiceRegex que pontuava errado e stderr de grupo com weight_by_size falso, além de normalização de minerva_math. Adiciona backends onnxruntime e onnxruntime-genai (com winml refatorado) e 8 novas suítes: LongProc, Uncheatable Eval, TyDiQA Gold Passage, LegalBench, IndicParam, GreekMMLU, Physics GRE e Putnam Axiom. Atualiza configs para datasets>=4. Abrir fonte

llama.cpp b10729 — Metal adiciona tunings FA-vec para M1 Ultra

GitHub ggml-org/llama.cpp · 2026-08-31 Adiciona tabelas fa_vec tuned para M1 Ultra em Metal, movendo entradas após seção M1 Max e removendo linha duplicada. Otimiza kernels FlashAttention vetorizado para inference quantizada em M1 Ultra. Parte do tracking #28088 de cobertura Apple Silicon. Abrir fonte

llama.cpp b10728 — CUDA XOR swizzle para FlashAttention com tiles fp16

GitHub ggml-org/llama.cpp · 2026-08-31 Implementa XOR swizzle para tiles K,V em shared memory fp16 no FlashAttention CUDA, com correções de ponteiro genérico 64-bit, sincronização gated para path swizzled e gate de PTX. Evita race em shared memory em DGX Spark e permite shapes não-potência-de-2 quando nbatch_2%32==0. Melhora throughput e correção de attention quantizada em GPUs NVIDIA. Abrir fonte

llama.cpp b10727 — Metal adiciona suporte a concat para tipos quantizados

GitHub ggml-org/llama.cpp · 2026-08-31 Implementa concat em Metal para tipos quantizados, desbloqueando operações de concatenação sem dequantização intermediária. Amplia cobertura de modelos com merges e routing que exigem concat em GGUF q4/q8 no backend Metal. Abrir fonte

llama.cpp b10726 — AVX2 acelera prompt processing de modelos IQ em batch grande

GitHub ggml-org/llama.cpp · 2026-08-31 Acelera gemm batched para quants grid IQ com kernel ggml_gemm_iqp_8x8_q8_K_p4, layout gather single-source, fallback NUMA e testes de 10 rows para cobertura IQP. Reduz pico de repack e melhora throughput de prefill em CPU AVX2 para modelos UD-Q4_K_XL e família IQ. Contribuição com coautoria de Georgi Gerganov. Abrir fonte

llama.cpp b10724 — kv-cache otimiza restore de células não contíguas

GitHub ggml-org/llama.cpp · 2026-08-31 Otimiza state_read_data ao restaurar snapshot para células de destino não contíguas: pré-computa runs contíguos e faz uma cópia por run em vez de uma por célula. Reduz de ~1.36M cópias/25-63s para 224 cópias/221-424ms no backend CUDA para 42.603 células em 4 runs, com fallback para cursor de bytes quando chunking difere. Byte-identical e crítico para prompt-cache e ring buffer fragmentado. Abrir fonte

llama.cpp b10723 — OpenCL tuneia caminhos Q4_K/Q5_K para Intel Xe-LP

GitHub ggml-org/llama.cpp · 2026-08-31 Tuneia mul_mv e mul_mm para Intel GPUs: Q4_K/Q5_K N_DST 4→8 e 8→16 para 2x reuse de ativação e tiles 8x8 para mul_mm. Melhora TG e PP em Intel Xe-LP via OpenCL, beneficiando inference quantizada em iGPU/dGPU Intel. Abrir fonte

llama.cpp b10721 — WebGPU evita crash com offset não múltiplo de 4

GitHub ggml-org/llama.cpp · 2026-08-31 Corrige ggml_backend_tensor_get em WebGPU para offsets não múltiplos de 4, evitando crash por alinhamento. Melhora robustez do backend WebGPU para inference em browser e edge com GGUF quantizado. Abrir fonte

llama.cpp b10720 — ROCm adiciona radix TOP_K para linhas longas

GitHub ggml-org/llama.cpp · 2026-08-31 Implementa TOP_K radix para linhas longas no backend ROCm, paralelizando logits de vocabulário grande além de um work-group por linha. Reduz latência de sampling e melhora ocupação em AMD via ROCm 7.14. Complementa otimização similar no SYCL. Abrir fonte

llama.cpp b10719 — Metal adiciona tunings FA-vec para M1

GitHub ggml-org/llama.cpp · 2026-08-31 Adiciona tunings FA-vec para M1 em Metal, estendendo cobertura de FlashAttention vetorizado para geração base Apple Silicon com parâmetros calibrados. Incrementa tokens/s para modelos GGUF q4/q8 em M1. Abrir fonte

llama.cpp b10718 — CUDA estende fusão MoE para speculative decoding

GitHub ggml-org/llama.cpp · 2026-08-31 Estende fusões de MoE (GLU e topk-router) de 1 token para múltiplos tokens, habilitando speedup em speculative decoding. Adiciona caso SWIGLU_CLAMP e tratamento multi-token, antes restrito a decode single-token. Ganho direto para serving MoE com draft. Abrir fonte

llama.cpp b10717 — SYCL aprimora obtenção de memória livre em Intel GPU

GitHub ggml-org/llama.cpp · 2026-08-31 Melhora get_mem_info em SYCL via Level Zero e API SYCL, expondo controle via GGML_SYCL_GET_MEM_API e documentando em SYCL.md. Permite estimativa precisa de VRAM livre para tuning --fit em Intel Arc/Battlemage. Abrir fonte

llama.cpp b10715 — spec funde encoder DFlash na injeção de KV cache

GitHub ggml-org/llama.cpp · 2026-08-31 Funde encoder DFlash (fc+norm) no branch embd do decoder, alimentando features alvo direto em llama_decode e eliminando round-trip device-host por round. Reduz build duplicado de grafo por rodada de speculative decoding. Melhora latência de DFlash com draft NVFP4. Abrir fonte

llama.cpp b10714 — Vulkan tuneia mat-vec rows para batched em Strix Halo

GitHub ggml-org/llama.cpp · 2026-08-31 Ajusta rows de mat-vec em Vulkan para RDNA3 acima de 4 colunas com 4 rows estáticos, também para mul_mat_vec_id sem dimensão de coluna. Benchs mais rápidos em Strix Halo across tipos e batch sizes, melhorando prefill batched em AMD via Vulkan. Abrir fonte

llama.cpp b10713 — ggml adiciona MUL_MAT à lista de ops com memória extra para WebGPU

GitHub ggml-org/llama.cpp · 2026-08-31 Adiciona MUL_MAT às operações que podem precisar memória adicional em ggml_backend_buft_get_alloc_size, atendendo backends WebGPU com staging extra. Previne OOM e subestimação de alocação em ops que expandem temporariamente. Abrir fonte

llama.cpp b10712 — Vulkan radix select para top_k >=1024 em Qwen 3.8 Flash Next

GitHub ggml-org/llama.cpp · 2026-08-31 Adiciona shader radix sort para top-k com k>=1024 em Vulkan, com fusão QSA e testes para Qwen 3.8 Flash Next. Acelera seleção de top-k grande em decode com vocabulário estendido via Vulkan. Abrir fonte

llama.cpp b10711 — Hexagon corrige bug de fence em CPY

GitHub ggml-org/llama.cpp · 2026-08-31 Corrige fence em operação CPY no backend Hexagon, evitando corrida em DSPs Hexagon de Snapdragon. Melhora correção de inference em edge com NPU/DSP. Abrir fonte

llama.cpp b10710 — Metal adiciona tunings Q4_1/Q5_0/Q5_1 FA-vec para M2

GitHub ggml-org/llama.cpp · 2026-08-31 Completa tunings FA-vec restantes para Q4_1/Q5_0/Q5_1 em M2, cobrindo combinações de dtype faltantes para FlashAttention vetorizado. Otimiza inference quantizada em Apple M2 com tabelas calibradas em hardware real. Abrir fonte

llama.cpp b10709 — RPC evita serializar buffers de outros servidores

GitHub ggml-org/llama.cpp · 2026-08-31 Evita incluir ponteiros de buffers remotos quando buffer não pertence ao dispatcher RPC receptor, adicionando teste de regressão com dois servidores para serialização cross-server. Corrige corrupção em execução distribuída com offloading RPC multi-servidor. Abrir fonte

llama.cpp b10708 — ggml corrige guard de ggml_backend_buft_get_alloc_size

GitHub ggml-org/llama.cpp · 2026-08-31 Corrige guard em ggml_backend_buft_get_alloc_size para backends com memória extra efêmera (Metal, SYCL, WebGPU), usado pelo RPC. Evita subestimação de overhead de alocação e falhas de inicialização em deployments com staging adicional. Abrir fonte

llama.cpp b10707 — kv-cells para scan de sequências quando todas foram vistas

GitHub ggml-org/llama.cpp · 2026-08-31 Otimiza for_each_token_in para parar scan de LLAMA_MAX_SEQ ao ver todas as sequências da célula, mantendo ordem e callbacks. Como get_prev_tokens é único caller, ganho aparece no path n-gram: de 56.3→74.3 t/s em 55k contexto e 33.6→50.9 t/s em 132k em RTX PRO 6000 com Qwen3.8-Flash-Next UD-Q4_K_XL. Prompt processing inalterado. Abrir fonte

Nota de cobertura: varredura em 10 idiomas (pt, en, it, es, fr, de, ru, zh, ko, ja) com consultas nativas para harnesses, skills, agentes, lm-eval, vLLM, llama.cpp, fine-tuning, quantização, inference e tokenizers. GitHub Releases API confirmou 20 tags de ggml-org/llama.cpp em D (b10707–b10729) e EleutherAI/lm-evaluation-harness v0.4.13; vLLM não publicou release em D (última v0.28.0 em 2026-08-26). arXiv API via listagem cs.CL (82), cs.LG (120), cs.AI (190) e cs.SE (25) totalizou 417 anúncios em 2026-08-31; 15 foram curados acima como representativos de harnesses, skills/agentes, fine-tuning/model merging, quantização e inference — demais permaneceram fora do escopo estrito de engenharia de LLM ou com sobreposição temática. Hugging Face Hub daily papers e buscas web retornaram guias evergreen ou datas fora de D. Lacuna: nenhum release datado em D para vLLM, transformers, tokenizers ou modelos em HuggingFace Hub.