本研究提出了一个结合格赖斯规范的框架，以解决人类与人工智能合作中的模糊性和不完整性问题。研究表明，基于格赖斯规范的AI代理在理解自然语言指令时，显著提高了任务准确性和响应清晰度，从而增强了人机协作的有效性。

本研究提出了LLM-DaaS框架，利用大语言模型将自由文本请求转化为结构化无人机服务任务，解决了自然语言输入的解读与结构化问题，显著提升了任务准确性和运营效率。

本文提出了一种动态传感器选择方法，旨在优化深度神经网络（DNNs）中每个输入样本的传感器子集选择。通过Gumbel-Softmax技巧实现端到端学习，提升无线传感器网络（WSN）的寿命，并在身体传感器网络中验证了该方法的有效性，分析了传输负载与任务准确性之间的权衡。

本文提出了一种名为OPRO的优化方法，利用大型语言模型（LLM）进行自动提示优化，研究表明其在多个任务中优于人工设计的提示，提升了任务准确性。同时，提出了“自动行为优化”新范式，以优化目标模型行为，并探讨了LLM在交互式任务中的应用，展示了其在效率和性能上的优势。

研究发现任务的复杂性和相似性会影响最佳权重共享决策，实验证实该决策可以提高任务准确性。