该论文研究一个 AI 与量子计算交叉的安全问题：攻击者能否通过影响 AI 顾问（AI adviser）的建议，诱导量子纠错（QEC）系统采纳有害的恢复（recovery）更新。作者首先指出了一个被忽视的信息歧义：在被动 syndrome（伴随式）记录中，大小相等、方向相反的相干 X 旋转会产生完全相同的 syndrome 历史分布，因此仅凭被动记录无法确定旋转符号；而同一个固定的相位修正对其中一个符号有益、对另一个符号却有害，恢复选择因此不可判。为解决该歧义，论文提出在已知编码的校准态（calibration states）上执行终端逻辑测量，以补齐缺失的符号信息；并设计一个独立于 AI 顾问的评估器：只有当校准不确定性与一个有依据的漂移（drift）界共同证明新更新确实优于当前恢复时，才接受该更新，全程不假设顾问的建议是正确的。在模拟的建议攻击中，校准置信度检查成功拒绝了有害提案，同时在诚实建议下保留了有益更新。作者进一步推导了校准时效（calibration age）的充分界限，要求任何更新都必须通过实际部署验证。在匹配设置的仿真中，经校验的通道特定界限在计入评估时间开销后，比通用界限保留更多有益更新，同时在给定漂移假设下阻止了所测试的有害激活。另一组 surface code 实验引入了随机电路故障以及采集过程中不断变化的噪声；结果显示确定性控制器能以同样的观测获得至少同等数量的有益更新。论文也指出，一旦漂移假设被违反，toric 实验中会出现有害更新被接受的情况。整体贡献可归纳为三点：识别出恢复选择所必需的信息、在特定条件下给出抵御有害更新的保证、并量化了因保守接受而放弃的恢复性能收益。