O framework acadêmico PhishGen testou 14 modelos de linguagem — comerciais, open source e 'sem censura' — na geração de páginas de phishing completas, comparando o resultado contra 64 kits de phishing reais usados por criminosos. O achado central é contraintuitivo: modelos comerciais de ponta como GPT-4.1 produzem páginas de coleta de credenciais funcionais com taxa de sucesso (86-94%) maior do que os modelos 'sem censura' geralmente apontados como maior ameaça (abaixo de 45%).
Pesquisadores apresentam o TokenTrap, uma defesa que, ao identificar um sistema de golpe baseado em LLM (chatbots de fraude com diálogo adaptativo e coordenação multiagente), o redireciona para tarefas computacionais inúteis em vez de bloqueá-lo de imediato. A técnica multiplicou o consumo de tokens do sistema golpista em até 2.487 vezes, elevando diretamente o custo de operação do golpe.
O framework MIG-COW consegue enganar detectores de deepfake em quase 100% dos casos quando o atacante conhece o modelo de detecção (cenário white-box), mas essa taxa despenca para apenas 7% contra sistemas de detecção reais e desconhecidos (black-box). O resultado é uma boa notícia relativa para quem usa deepfake e clonagem de voz como ferramenta antifraude: a fragilidade dos detectores demonstrada em laboratório não se transfere facilmente para ambientes de produção.
Um artigo acadêmico testou 12 monitores de IA de código aberto e quatro modelos de ponta (Claude Opus 5.5, GPT-6 Astra, Gemini 4 Argon e DeepSeek-V3.2) atuando como aprovadores automáticos de pagamentos feitos por agentes de IA. Os autores mostram que, quando os monitores compartilham a mesma fonte de evidência ou o mesmo modelo-base, um único ataque bem-sucedido pode fazer todos aprovarem a mesma fraude simultaneamente, e que nenhuma regra de agregação testada sobrevive a todos os ataques no pior caso; contar fontes independentes em vez de “votos” de monitores reduziu bloqueios indevidos de 7,4% para 0,9% mantendo a mesma segurança.
Pesquisadores propõem um detector forense que autentica vídeos a partir do zumbido da rede elétrica (ENF) captado no áudio e na cintilação de câmeras de obturador rolante, um sinal que geradores de IA não controlam diretamente. O sistema combina um estimador de ENF em áudio e vídeo com verificação contra uma referência de tempo e horário reivindicados, e usa uma orquestração agentica para só acionar detectores mais caros quando necessário. O achado central é contraintuitivo: a presença do padrão de ENF não basta como prova de autenticidade, porque vídeos gerados também podem exibi-lo; o que importa é a consistência com uma referência independente.
O artigo descreve o ChainIT Authority Protocol, um esquema que gera evidência verificável e vinculada à transação de que quem está executando um pagamento — humano, organização ou agente de IA — realmente detém autoridade vigente para aquilo, sob as políticas, orçamento e aprovações em vigor no momento exato. A motivação central é o risco crescente de "comércio agentico": um agente de software pode assinar uma transação de forma criptograficamente válida mesmo agindo fora do que foi delegado, após mudança de política, ou com detalhes diferentes dos aprovados por um humano. O protocolo amarra cada decisão a um resumo canônico da transação e só libera a execução por meio de uma credencial de uso único consumida no adaptador do trilho de pagamento (ACH, TED/wire, cartão, pagamento instantâneo, stablecoin).
O artigo propõe o ChainIT Provable Compliance, uma camada que transforma decisões de KYC, AML, sanções, PEP e verificação de identidade em registros assinados, com prazo de validade e rastreáveis até a evidência de origem que as sustentou. A motivação é que evidência de compliance envelhece e hoje é difícil provar, de forma compacta e auditável, que a decisão de aprovar um cliente ou uma transação ainda era válida no exato momento em que o pagamento foi liberado — problema que se agrava quando parte do processo é delegada a agentes de software e fluxos automatizados. O protocolo deixa explícito que uma decisão de compliance nunca autoriza pagamento por si só: só uma aprovação final combinada com o identificador exato da transação e uma credencial de execução de uso único pode liberar valor.
Pesquisadores catalogaram doze ataques contra o fluxo de aprovação usado quando um agente de IA pede autorização humana antes de mover dinheiro, apagar arquivos ou contatar terceiros, incluindo troca do destinatário exibido, cancelamento de valor após a aprovação e fragmentação de limites. Testando os protocolos AP2, a abordagem da Microsoft e o MCP, a auditoria de dez runtimes de agentes encontrou ausência de registro de aprovação auditável por terceiros em todos eles e alteração de parâmetros após a aprovação em metade dos casos mensuráveis. Como defesa, os autores propõem o ASU (Agent Step-Up), que vincula criptograficamente o que é mostrado ao usuário ao que de fato é executado, reduzindo a taxa de sucesso de ataques simulados de 54% para 3%.
Pesquisadores propuseram o CredLeakBench, um benchmark que mede se agentes baseados em LLM — usados para automatizar tarefas como e-mail, redes sociais e operações bancárias — entregam credenciais e dados sensíveis quando confrontados com phishing, inclusive quando monitoram a caixa de entrada de forma autônoma sem que o usuário tenha pedido login. O resultado: todos os modelos testados vazaram informação em algum grau, e as mitigações que reduzem o vazamento também prejudicam a capacidade do agente de cumprir tarefas legítimas.
Um artigo acadêmico apresenta o BVI, um sistema que usa um registro público (estilo blockchain) para permitir que uma ligação que afirma vir de um banco seja verificada criptograficamente pelo próprio aparelho do destinatário, sem custo de transação e sem exigir o estado completo da cadeia no celular. A proposta ataca diretamente o problema do vishing com voz clonada, que já eliminou o último sinal que as pessoas usavam para reconhecer uma ligação fraudulenta — o som da própria voz — e mostra em simulação que, mesmo com adoção parcial pelas operadoras, o sistema detecta uma fração relevante de adulterações no caminho da chamada que os esquemas ponto a ponto tradicionais não percebem.
Pesquisadores (Baser, Kale, Vishwanath e Chinchali) publicaram no arXiv o ModalFidelity, um método que decide, antes de rodar qualquer detector forense pesado, quais trechos de áudio e vídeo vale a pena analisar — reagindo à tendência de deepfakes que alteram só alguns segundos decisivos em vez do vídeo inteiro. No benchmark AV-Deepfake1M, o sistema analisa cerca de 20% das janelas do vídeo e ainda assim supera a precisão de pipelines que processam tudo, usando 15,9 vezes menos computação.
Pesquisadores franceses (Millet, Valade, Gonnet e Msahli) propõem um pipeline de duas camadas para detectar adulteração de documentos PDF: uma triagem inicial de conformidade de formato e payloads maliciosos, seguida de um motor forense que cruza metadados, sobreposições visuais e consistência entre duas fontes de OCR, agregando tudo em um escore de risco interpretável. O método foi validado em certificados médicos reais de afastamento do trabalho — um tipo de documento comumente alvo de falsificação em fraudes de benefício e licença.
Pesquisadores apresentam o Agentic Commerce Bench, um benchmark para medir fraude em agentes de IA que gastam dinheiro sem confirmação humana a cada ação. O trabalho mostra que grande parte do prejuízo não vem de falha de segurança clássica, mas de contrapartes legítimas que cobram mais do que deveriam, e que detectores atuais falham em 8 de 20 classes de fraude testadas.
Pesquisadores da Universidade da Flórida e do Rochester Institute of Technology testaram 80 pessoas — ouvintes, com perda auditiva, surdas e usuárias de implante coclear — pedindo que julgassem a autenticidade de 30 vídeos com manipulações de voz e rosto. Participantes surdos e com deficiência auditiva tiveram precisão média de 76,4%, contra 88,0% dos ouvintes, principalmente por classificarem clipes autênticos como falsos com mais frequência. O achado expõe uma lacuna de proteção relevante para golpes com voz clonada e vídeo deepfake, que dependem justamente da capacidade humana de perceber pistas multimodais.
Pesquisadores testaram como pequenas frases como "not-phishing" ou "official" inseridas no próprio nome de domínio alteram o julgamento de cinco LLMs sobre 64 marcas, em mais de 622 mil avaliações. Sem referência à marca legítima no prompt, termos de "aprovação" aumentaram os alertas de phishing em até 65,6 pontos percentuais, enquanto termos de "negação de risco" reduziram alertas em até 45,3 pontos — mesmo com uma salvaguarda básica comparando o domínio ao oficial. O achado é um alerta direto para qualquer produto antifraude que use LLMs para classificar URLs ou domínios suspeitos automaticamente.
Um grupo de pesquisadores construiu um honeypot de voz ativo — números-isca inseridos nos mesmos canais de geração de leads que fraudadores telefônicos costumam explorar — atendido por um agente conversacional de IA que finge ser um alvo plausível. Em 53 dias, o sistema capturou 10.015 ligações recebidas, das quais 6.601 tiveram diálogo real, somando quase 900 horas de áudio; cerca de 1 em 7 chamadas substantivas foi classificada como golpe direto (949 casos), e o agente foi identificado como não-humano em apenas 5% das interações. O corpus resultante expõe, entre outras coisas, que detectores treinados só com diálogos sintéticos têm precisão baixa contra tráfego real de vishing.
O artigo acadêmico "Issuer-Sovereign Agentic Payments" propõe um modelo em que o banco emissor do cartão, não um provedor de credenciais terceirizado, decide em tempo real se autoriza um pagamento iniciado por um agente de IA. O titular aprova uma regra de gasto uma única vez, e a cada transação o banco valida o comerciante contra essa regra antes de gerar o código de autenticação do cartão. A proposta ataca diretamente um vetor de fraude emergente: agentes de IA comprometidos ou manipulados que tentam realizar compras não autorizadas em nome do usuário.
Um novo artigo científico avalia o Neural Defend ARCAS 1B, modelo de detecção multimodal de deepfakes, propondo uma metodologia de benchmarking mais granular que vai além da métrica agregada tradicional. Os autores acrescentam medidas por registro, contabilização de cobertura e diagnóstico por subgrupo, mas alertam que os resultados não garantem robustez universal nem resistência a ataques adaptativos futuros — um alerta relevante para quem pensa em usar esses detectores em fluxos antifraude.
Pesquisadores propuseram o COBRA, um sistema que classifica domínios como suspeitos assim que são registrados, analisando apenas padrões lexicais e estruturais do nome, sem depender de conteúdo (que ainda nem existe no domínio). Testado sobre 1,5 milhão de domínios reais, o framework atingiu 98,5% de precisão e identificou mais de 47 mil domínios suspeitos, detectando 80% deles antes de serviços de inteligência de ameaças amplamente usados no mercado.
Um estudo acadêmico analisa o Address-Poisoning Transfer (APT), golpe cripto em que fraudadores geram transferências a partir de endereços parecidos com endereços legítimos que a vítima já usou, na expectativa de que ela copie o endereço errado num pagamento futuro. O artigo vai além da detecção: mapeia como os golpes são financiados, propõe cinco famílias de "assinaturas" para agrupar carteiras golpistas, e investiga pela primeira vez o uso do mixer Tornado Cash tanto para financiar as campanhas quanto para lavar os fundos roubados.
Pesquisadores lancaram o APort Vault, benchmark que reproduz 4.371 ataques escritos por humanos durante uma competicao CTF publica contra um agente de pagamentos baseado em IA, testando 14 modelos de 8 laboratorios sob diferentes niveis de politica. Sem uma camada extra de verificacao, o agente autorizou 140 transferencias para destinatarios nao permitidos em quase 77 mil avaliacoes; com uma checagem deterministica de autorizacao antes da acao, especificada pelo Open Agent Passport (OAP), esse numero caiu a zero em mais de 69 mil avaliacoes, sem barrar nenhum pagamento legitimo.
Um estudo acadêmico expõe uma falha estrutural em mercados de previsão descentralizados como o Polymarket: como a correspondência de ordens ocorre fora da blockchain mas a liquidação é feita depois, on-chain, atacantes conseguem invalidar apostas desfavoráveis após já saberem o resultado do mercado. Analisando 1,8 milhão de transações revertidas ao longo de nove meses, os pesquisadores quantificam o lucro do atacante e o prejuízo real dos usuários, e mostram que pelo menos três outras plataformas sofrem da mesma vulnerabilidade.
Pesquisadores desenvolveram o XSplicer, um sistema forense capaz de reconstruir o rastro de transações entre diferentes blockchains sem depender de acesso privilegiado às pontes (bridges), preenchendo uma lacuna que hoje dificulta investigações de lavagem de dinheiro em cripto. Aplicado a casos reais, a ferramenta recuperou mais de 1.900 transferências após o colapso da Multichain e identificou 754 transferências ilícitas somando US$ 105,6 milhões ligadas à lavagem do hack da Bybit.
Um novo estudo mostra que modelos de visão computacional gratuitos e executados localmente conseguem resolver desafios do Google reCAPTCHA com taxa de sucesso de 92,6% por sessão, sem custo e sem treinamento específico. Isso derruba a barreira de habilidade técnica necessária para automatizar credential stuffing, criação em massa de contas falsas e outros abusos que o CAPTCHA deveria impedir.
Pesquisadores propoem uma camada de deteccao que analisa primeiro a distorcao agregada de uma distribuicao de resultados (avaliacoes, notas, rankings) antes de examinar identidades individuais, permitindo flagrar manipulacao coordenada mesmo quando as contas parecem plausiveis isoladamente. Testado em avaliacoes historicas da Amazon com contas sinteticas de coalizao conhecida, o metodo atingiu ROC-AUC de ate 0,967 para deteccao de distorcao de forma e 0,874 combinando evidencia agregada com sinais de co-atividade entre contas.
Pesquisadores descrevem os ataques DEMI (Description-Execution Mismatch), nos quais um proponente malicioso submete a votacao de uma DAO uma proposta com descricao em linguagem natural benigna, enquanto o codigo efetivamente executado transfere fundos ou toma o controle do protocolo. O framework de deteccao proposto simula o ciclo de governanca de cada DAO a partir do historico on-chain e usa um LLM para mapear evidencias textuais por acao, atingindo 81,7% de precisao media e 98,3% de recall em propostas reais do Ethereum.
Um estudo acadêmico mapeou por um ano o ecossistema de Single Sign-On baseado em operadoras de celular (MSSO), analisando mais de 116 mil URLs em 729 domínios, e encontrou falhas de confiança em 73,6% delas. Os pesquisadores demonstraram o ataque "One-Click-to-Leak": basta a vítima abrir uma página maliciosa para que seu número de telefone seja vazado sem qualquer consentimento explícito. Ao rastrear uma plataforma que monetizava esses vazamentos, os autores encontraram um serviço que coletou 14,1 mil números de telefone em apenas três dias antes de ser apreendido por autoridades, evidência de um mercado underground já estruturado em torno desse tipo de dado.
Um estudo acadêmico monta um honeypot telefônico com personas de IA atendendo números reais dos EUA e mede, com metodologia auditável, quanta ligação indesejada é feita por máquina e quanta usa voz sintetizada. O achado central é que ao menos um quarto das ligações não solicitadas já é gerada por máquina, mas quase nenhuma se declara como tal — e os detectores comerciais de voz sintética ainda erram de forma significativa.
Pesquisadores apresentam um método de detecção de áudio sintético baseado em embeddings CLAP e similaridade entre segmentos temporais, treinando classificadores leves que distinguem voz e música autênticas de versões geradas por IA. O trabalho é relevante para o combate a fraudes com voz clonada (golpes do falso parente, vishing corporativo, fraude em call center) por oferecer uma alternativa interpretável e computacionalmente barata a modelos de deep learning mais pesados. Os autores também revelam um achado preocupante: boa parte das características estatísticas usadas para distinguir áudio real de falso inverte de direção entre o treino e o uso em produção, o que exige cautela antes de confiar cegamente nessas métricas.
Pesquisadores analisaram os 15 milhões de meme coins lançados na plataforma pump.fun nos últimos dois anos e identificaram cinco estratégias recorrentes de manipulação: wash trading, ofuscação do endereço do criador, venda coordenada, moedas cópia e manipulação em redes sociais. O achado mais notável é a existência de "Market-Manipulation-as-a-Service" (MMaaS), ferramentas de terceiros que permitem a qualquer pessoa sem conhecimento técnico executar esses golpes de forma automatizada. Os autores documentam um caso real de recuperação de cerca de US$ 600 mil junto a uma grande anunciante chinesa após identificar redes de anúncios envolvidas.
Um estudo acadêmico descreve um método de captura, via Core NFC no iOS, do número da conta primária (PAN) e da validade de cartões de pagamento contactless dos sistemas PRO100, HUMO e UZCARD — usados na Rússia e no Uzbequistão, mercados sem suporte oficial ao Apple Pay. Os autores deixam claro que a técnica apenas lê e extrai dados de registro do cartão, sem emular o cartão, autorizar pagamentos ou provar posse, mas o PAN e a validade capturados são justamente os dados centrais explorados em fraude de cartão not-present.
Pesquisadores entrevistaram 17 voluntários que praticam "scambaiting" — a prática de se passar por vítima para investigar, expor e desperdiçar o tempo de golpistas de Technical Support Scams (TSS), o golpe da falsa central de suporte técnico. O estudo, aceito na ACM CCS 2026, conclui que essa comunidade acumula conhecimento operacional sobre os golpistas que frequentemente falta à própria pesquisa acadêmica sobre o tema, mas carece de suporte estruturado.
Um novo ataque de inferência visual usa a câmera dos óculos inteligentes Meta Ray-Ban para observar a digitação de senhas em teclados de smartphone e reconstruir a senha combinando análise de movimento de dedo com estatística de 2,19 bilhões de senhas vazadas. Em testes com usuários, senhas de até 16 caracteres escolhidas por humanos foram quebradas em horas a dias, e senhas de gerenciador de senhas de até 13 caracteres em menos de uma hora com GPU comum.
Pesquisadores desenvolveram um sistema que combina um detector YOLOv8 ajustado com um modelo de visão e linguagem (VLM) para resolver CAPTCHAs visuais a partir apenas de capturas de tela, sem automação de navegador, atingindo 85,4% de acurácia em 16 classes de desafios. O diferencial é que cada resposta do VLM vira automaticamente um rótulo de treino, permitindo que o detector absorva novas categorias de CAPTCHA após um ou dois encontros e se recupere sozinho quando os operadores tentam neutralizá-lo com perturbações adversariais. Isso derruba a premissa comum de defesa antifraude de que 'um bot que falha continua falhando'.
Um novo artigo acadêmico apresenta o UiAs, sistema que combina ondas mmWave e acústicas para distinguir um rosto vivo de uma máscara 3D de alta fidelidade durante autenticação facial, alcançando 93,25% de acurácia mesmo com usuários nunca vistos no treinamento. A proposta ataca diretamente o problema de spoofing físico em verificação facial, tecnologia usada em KYC remoto e abertura de conta digital.
Um estudo acadêmico apresenta o TaintedPixels, método que injeta perturbações imperceptíveis no canal azul de vídeos com rostos, permanecendo invisíveis no conteúdo original mas se tornando evidentes assim que uma ferramenta de manipulação facial processa o material. Em testes contra três ferramentas comerciais de deepfake, os vídeos falsificados a partir de fontes protegidas foram identificados como fraudulentos por observadores em 90,72% dos casos, contra 56,71% em vídeos sem proteção. A proposta é pensada para ser aplicada antes da publicação, funcionando como uma espécie de vacina contra o uso do material em golpes de personificação por vídeo.
Um estudo propõe um protocolo de liquidação interbancária para CBDC (moeda digital de banco central) em redes Ethereum permissionadas que mantém a instituição pagadora publicamente identificável para fins de conformidade, mas oculta criptograficamente o destinatário, o valor e o conteúdo da transação. Testado em uma rede de cinco nós com bancos comerciais, banco central e depositária de valores, o sistema liquida transações em 8 a 16 segundos, com verificação de prova em cerca de 1 milissegundo. O modelo de 'anonimato relaxado' é desenhado especificamente para permitir rastreabilidade regulatória de AML/CFT sem expor fluxos financeiros bilaterais sensíveis a todos os participantes da rede.
Pesquisadores testaram, em estudo de laboratório com 12 participantes, todas as 25 combinações possíveis entre cinco tipos de engenharia social (phishing, spear-phishing, vishing, smishing e pop-ups) e cinco fatores psicológicos (autoridade, confiança, ganância, curiosidade e um quinto fator), medindo qual combinação convence mais. A mais eficaz foi spear-phishing explorando ganância; pop-ups com autoridade, smishing com autoridade e vishing com curiosidade não convenceram ninguém.
Pesquisadores da Universidade Ben Gurion, liderados por Yisroel Mirsky, compararam conversas conduzidas por chatbots de IA com as de golpistas humanos reais na fase de construção de confiança do "pig butchering" e descobriram que a IA foi surpreendentemente eficaz — em algumas medidas, mais convincente que os próprios golpistas humanos. Antes de serem avisados, quase nenhum participante suspeitou de estar conversando com uma IA.
Pesquisadores da UMass Amherst apresentaram no USENIX Security 2026 uma falha no kernel 3 EMV da Visa que permite usar cartões contactless vencidos ou até destruídos em compras reais. O problema está no campo de validade lido pelo terminal, que não é protegido criptograficamente, ao contrário do campo equivalente enviado ao banco emissor. Testes em lojas e supermercados reais confirmaram compras aprovadas com cartões expirados em pelo menos uma instituição, enquanto Mastercard, American Express e Discover bloquearam o mesmo ataque.
Um estudo comparou a capacidade de 82 profissionais de TI e seis detectores automáticos de identificar áudio gerado por três gerações de sintetizadores de voz (2019, 2022 e 2024). A precisão de detecção despencou de cerca de 90% nos sintetizadores antigos para 48% no ElevenLabs, mesmo com os ouvintes avisados da presença de deepfakes, e caiu para apenas 9% de acerto estrito quando somente uma frase de um áudio era sintética.
Pesquisadores mostraram que a simples presença de dados sensíveis — senhas, histórico médico, dados financeiros — no contexto de um modelo de linguagem pode vazar de forma sutil em respostas aparentemente inofensivas, mesmo quando o modelo se recusa a revelar a informação diretamente. Usando um classificador treinado e um adversário treinado por reforço, os autores conseguiram extrair números completos de Social Security Number (equivalente ao CPF nos EUA) de um agente em estilo produção, e descobriram que modelos mais capazes vazam mais, não menos.
Um estudo em larga escala testou a suscetibilidade de adultos americanos a golpes de vishing (phishing por voz) gerados por seis modelos de síntese de voz de ponta, incluindo ElevenLabs e Gemini, comparando com vozes humanas reais em cinco categorias de golpe. A taxa de adesão às solicitações fraudulentas chegou a 36% no cenário "parente em apuros" e 16,5% em média entre todas as categorias, com o modelo Sesame alcançando persuasão equivalente ou até superior à de vozes humanas.
Pesquisadores identificaram e nomearam o 'transaction simulation phishing', técnica que usa contratos inteligentes programados para exibir um resultado benigno na simulação da wallet, mas desviar os fundos na execução real na blockchain. Entre agosto de 2024 e junho de 2025 foram encontrados mais de 4.000 contratos maliciosos, responsáveis por 5.700 vítimas e cerca de US$ 3,48 milhões em prejuízo, majoritariamente na Ethereum.
Um artigo científico apresenta o DeepScrub, framework que combina aprendizado por reforço e LLMs para detectar fraude de "pedidos falsos" em plataformas online-to-offline, produzindo não apenas uma decisão mas uma cadeia de raciocínio auditável. Em piloto real de quatro semanas, o sistema atingiu 91,8% de precisão e 88,5% de recall, superando revisores humanos de primeira linha e reduzindo em 94% o volume de revisão manual.
Um novo artigo acadêmico (arXiv, cs.CR) analisa a segurança de plataformas de comércio agentico — sistemas que dão a agentes de IA autonomia para descobrir serviços, mover pagamentos e usar credenciais em nome do usuário. Os autores identificam 33 vulnerabilidades estruturais no protocolo entre agentes e serviços de comércio em três plataformas líderes, com taxa de sucesso de ataque de 100% independentemente do modelo de IA usado. Três dessas falhas se encadeiam em um ataque completo de sequestro de pagamento, e o paper propõe o framework PCAT como defesa na camada de protocolo.
Um novo artigo científico propõe uma infraestrutura de auditoria à prova de violação para o comércio "agêntico" — transações iniciadas por agentes de IA —, combinando árvores de Merkle e ancoragem em blockchain para registrar eventos de forma verificável entre empresas diferentes. O ponto central para antifraude é um "marcador de fraude" assinado criptograficamente que vincula rótulos de risco a evidências imutáveis, criando uma cadeia de proveniência que não pode ser reescrita depois do fato.
Pesquisadores compararam um classificador clássico (TF-IDF + regressão logística) com um modelo DistilBERT ajustado, treinados em mais de 82 mil e-mails de seis bases públicas, para detectar phishing. Ambos superaram 98% de acurácia em dados limpos, mas despencaram para cerca de 64% quando testados contra e-mails de phishing deliberadamente alterados para escapar da detecção — queda de mais de 34 pontos percentuais em ambos os modelos. O estudo reforça que acurácia em dados de teste "limpos" não prevê robustez real contra atacantes adaptativos.
Um novo método usa material oficial de agências de defesa do consumidor para avaliar, de forma semi-automatizada, se LLMs como Gemini e GPT conseguem identificar de forma consistente narrativas de roubo de identidade e impostor scams (golpes de falsa identidade). A técnica gera variações do mesmo caso relatado e observa se o modelo responde de forma instável — sinal de que ele não entende o padrão do golpe, apenas reconhece palavras-chave superficiais. Os autores mostram que é possível distinguir modelos com conhecimento consistente sobre esses dois temas dos que falham em identificar o golpe corretamente.
Aceito no IJCAI 2026, o framework CAMERA ataca a 'camuflagem semântica' — fraudadores que imitam o comportamento de usuários legítimos — em grafos com atributos textuais, usando aprendizado não supervisionado baseado na raridade do fraudador.
Trabalho no arXiv propõe o One-Side Edge Sampling (OES), técnica que usa a confiança preditiva para amostrar arestas do grafo durante o treino, reduzindo over-smoothing e tempo de treinamento em redes neurais de grafo para detecção de fraude.