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

A Robust Evaluation of Probe Robustness: Lessons for Reliable OOD Uncertainty Quantification

鲁棒性中的隐藏故障：为什么监督不确定性量化需要更好的评估

Joe Stacey, Hadas Orgad, Kentaro Inui, Benjamin Heinzerling, Nafise Sadat Moosavi

机构 * University of Sheffield（谢菲尔德大学） ； Kempner Institute at Harvard University（哈佛大学肯普纳研究所） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Tohoku University（东北大学） ； RIKEN（理化学研究所） 纠错

AI总结 本文研究了监督不确定性探针的鲁棒性，发现现有方法在长文本生成中表现不佳，探针输入比架构更影响鲁棒性，提出混合回退策略提升鲁棒性。

Comments Accepted at EMNLP 2026

Better World Models Can Lead to Better Post-Training Performance

更好的世界模型可以导致更好的训练后性能

Prakhar Gupta, Henry Conklin, Sarah-Jane Leslie, Andrew Lee

机构 * University of Michigan（密歇根大学） ； Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） 纠错

AI总结 本研究通过比较不同世界建模策略，发现显式建模能提升Transformer的状态表示质量，从而增强强化学习后训练的效果。

Federated Learning for MRI-based BrainAGE: a multicenter study on post-stroke functional outcome prediction

基于MRI的脑龄预测（BrainAGE）的联邦学习：一项针对卒中后功能结局预测的多中心研究

Vincent Roca, Marc Tommasi, Paul Andrey, Aurélien Bellet, Markus D. Schirmer, Hilde Henon, Laurent Puy, Julien Ramon, Grégory Kuchcinski, Martin Bretzner, Renaud Lopes

机构 * Univ. Lille, CNRS, Inserm, CHU Lille, Institut Pasteur de Lille, US 41 - UAR 2014 - PLBS, F-59000 Lille, France（里尔大学，法国国家科学研究中心，法国国家卫生研究院，里尔大学医院，里尔巴斯德研究所，法国） ； Univ. Lille, Inria, F-59000 Lille, France（里尔大学，法国国家科研机构） ； Univ. Montpellier, Inria, F-34090 Montpellier, France（蒙彼利埃大学，法国国家科研机构） ； Department of Neurology, Massachusetts General Hospital, Harvard Medical School, Boston, USA（神经内科，麻省总医院，哈佛医学院，美国） 纠错

AI总结 本研究针对卒中后功能结局预测，采用联邦学习（FL）对16家中心1674名卒中患者的FLAIR脑图像构建BrainAGE模型，发现FL性能优于单中心学习，且BrainAGE与卒中后恢复显著相关，可用于卒中预后建模。

Journal ref NeuroImage 339 (2026)