Este artigo formaliza a 'Engenharia de Dados Agêntica Autônoma', uma nova tarefa para avaliar LLMs como engenheiros de dados autônomos que impulsionam a especialização de modelos. Experimentos demonstram que engenheiros de dados LLM autônomos produzem ganhos substanciais, com um GPT-5.2 melhorando um modelo estudante em 57,29%.
Este artigo apresenta GEM (Geometric Entropy Mixing), uma nova estrutura para curadoria de dados de LLMs que reformula o problema como uma questão variacional numa hipersfera. O GEM otimiza a composição dos dados para treinamento de LLMs, superando falhas de categorização e revelando estruturas semânticas equilibradas.
Agentes de codificação generalistas demonstram potencial na automação do processo intensivo de curadoria de dados para o desenvolvimento de IA, conforme testado no novo benchmark Curation-Bench. Embora os agentes atinjam fortes linhas de base, observa-se uma "lacuna de execução-pesquisa" onde eles principalmente refinam políticas existentes em vez de explorar abordagens inovadoras.