本研究探讨了大型语言模型在真实决策系统中的脆弱性，提出了一种对抗性评估框架，以测试其在动态环境下的决策过程，揭示了模型在策略适应性和易受操控性方面的差异，为提升AI的适应性和公平性提供了重要见解。

本研究提出了一种新的时间序列预测训练方法，旨在根据实际应用需求动态调整预测重点，从而提高预测准确性和终端应用性能，为连接预测与决策的系统奠定基础。

本研究提出“完全比例合理代表性”（FPJR）概念，旨在解决多赢家批准投票中选取能比例代表选民批准选票的委员会问题。FPJR兼顾“凝聚性”和“代表性”，满足多项比例公理，并与现有高效规则兼容，能够在不同情况下提供高效的代表性，对选举和决策系统具有重要影响。

大型语言模型（LLMs）在路径规划和空间推理方面取得了进展。研究提出了评估LLMs在多主体环境中的能力的基准框架，发现GPT-4表现最佳，能力差距显著。通过游戏和博弈论任务评估模型的推理能力，开源模型在复杂游戏中表现不佳。新基准工具LogicGame评估了模型在规则理解和执行方面的不足，推动了决策系统的改进。

本文研究了大型语言模型（LLM）在网络可持续设计中的应用，提出了NetLLM框架以提升网络任务的性能和泛化能力。结合多智能体系统和自然语言输入，解决6G通信中的任务需求。通过LARL-RM算法加速强化学习，验证了算法的收敛性和有效性。同时，探讨了LLM在智能体建模和决策系统中的潜力，提出了增强检索增强机器学习（RRAML）框架，以解决上下文限制问题。

本文探讨了自动驾驶汽车的内部活动及其与计算机视觉的关系，提出了多学科实验框架以捕捉实时数据，促进算法发展。同时，研究了自动驾驶汽车的感知与决策系统，强调共享通信策略以提高安全性和合作行为，倡导深入研究自动驾驶与人类驾驶员的互动。