本研究探讨大型语言模型（LLMs）在自主响应中的价值一致性问题，并提出迭代提示技术以提高越狱攻击的有效性。研究发现，采用说服策略可显著提升攻击成功率，最高可达90%。

本研究提出了一种新算法“显著性不变性持续政策学习”（SCPL），旨在提升视觉强化学习中代理在未见场景的泛化能力。该算法通过价值一致性模块和动态模块，显著提高了在多项基准测试中的表现，尤其在复杂环境中效果显著。

本文探讨了在多个个体中实现人工智能价值一致性的挑战，提出了一种基于社会选择理论的政策聚合方法，通过序数偏好与状态-动作占用多面体体积的关联来解决问题。研究表明，批准投票等方法可有效用于政策聚合。

大型语言模型在价值一致性方面相对一致，但仍存在一些不一致之处。基础模型比微调模型更加一致，并在不同主题上保持一致。微调模型在某些主题上的一致性较差，但在其他主题上与人类研究对象相似。