本研究提出了一种新颖的概率框架，通过贝叶斯推理理解神经网络中的任务表示，旨在推断表示单元对任务性能的因果贡献。研究结果为理解神经网络表现提供了重要的信息论工具。

本研究提出一种三层次架构，以应对高维任务中有效策略学习的挑战。通过学习任务表示和宏动作，提升原始策略的学习效率，并增强对新任务的适应能力。

本研究分析了视觉-语言模型(VLM)的内部表示，发现相似任务的向量表示具有相似性，且示例与指令的结合能够增强任务表示，揭示了模型的工作机制。