Harvard University（哈佛大学）

CARE: Context-Aware Ranking Evolution with Executable Scoring Programs for Budgeted Reaction Optimization

CARE：通过科学实验中的可审计证据审查控制LLM生成的策略

Guanyu Liu, Weiyi Kong, Chao Tang, Zeyu Wang, Boer Zhang, Baiqing Li, Peiyu Zhang, Tianyu Shi

机构 * University of Macau（澳门大学） ； University of Toronto（多伦多大学） ； UCLA（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； XtalPi（晶泰科技） ； McGill University（麦吉尔大学） 纠错

AI总结 提出CARE框架，通过可审计的干预门控机制，在保留非LLM优化器作为默认路径的同时，利用LLM修正挑战者排序策略，显著提升高通量实验优化性能。

Comments 27 pages, 5 figures. Code: https://github.com/SHITIANYU-hue/care

HUSH-Bench: Measuring Memory-Use Boundaries for Sensitive History in Conversational Agents

记忆何时应保持沉默：衡量记忆增强型对话代理的记忆使用边界

Lingxiang Xu, Jiaoyun Yang, Min Hu, Ning An

机构 * Hefei University of Technology（合肥工业大学） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 提出RBI-Eval框架，通过探针集比较模型在有/无敏感记忆时的行为差异，发现当前检索增强生成系统无法避免敏感记忆的不当整合，需在检索和生成阶段同时进行记忆感知决策。

Behavioural Analysis of Alignment Faking

对齐伪造的行为分析

Nathaniel Mitrani Hadida, Rhea Karty, David Williams-King, Alan Cooney

机构 * University of Cambridge（剑桥大学） ； Harvard University（哈佛大学） ； ERA ； UK AISI（英国人工智能学会） 纠错

AI总结 通过可控最小设置研究对齐伪造，发现其驱动因素包括价值观、目标保护和谄媚，且比先前报告更普遍，可从情境线索和模型倾向预测。

Comments preprint

Unifying biomedical knowledge in a modern multimodal graph

OptimusKG：统一生物医学知识的现代多模态图

Lucas Vittor, Ayush Noori, Iñaki Arango, Joaquín Polonuer, Sam Rodriques, Andrew White, David A. Clifton, Marinka Zitnik

机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Edison Scientific Inc.（Edison科学公司） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏格兰研究中心） ； Broad Institute of MIT and Harvard（MIT与哈佛大学Broad研究所） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学自然与人工智能研究所） ； Harvard Data Science Initiative（哈佛大学数据科学计划） 纠错

AI总结 OptimusKG通过整合结构化和半结构化资源，构建了多模态生物医学标记属性图，统一了分子、解剖、临床和环境领域的知识，验证了其在生物医学领域的有效性。

Searching for Quantum Effects in the Brain: A Bell-Type Test for Nonclassical Latent Representations in Autoencoders

在大脑中寻找量子效应：用于自动编码器中非经典潜在表示的贝尔型测试

I. K. Kominis, C. Xie, S. Li, M. Skotiniotis, G. P. Tsironis

机构 * School of Science, Zhejiang University of Science and Technology（浙江大学科学技术学院） ； Department of Physics and Institute of Theoretical and Computational Physics, University of Crete（希腊克里特大学物理系和理论与计算物理研究所） ； College of Life and Environmental Sciences, Hangzhou Normal University（杭州师范大学生命与环境科学学院） ； School of Automation and Electrical Engineering, Zhejiang University of Science and Technology（浙江大学科学技术学院自动化与电气工程学院） ； John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保罗森工程与应用科学学院） 纠错

AI总结 本文提出了一种基于自动编码器的贝尔型测试，用于探测神经表示中的非经典性特征，探索神经信息处理可能涉及的量子效应。

Comments 11 pages, 4 figures

Journal ref New J. Phys. 28, 074511 (2026)