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。

本研究探讨了专业化对经济理性的影响，发现专业化导致决策行为出现“理性偏移”，而通用AI代理在多任务中保持稳定的理性水平，为AI决策系统的平衡提供了新见解。

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的选票代表性问题。FPJR兼顾“凝聚性”和“代表性”，满足多项比例公理，并与高效规则兼容，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。

本论文介绍了针对基于大型语言模型的决策系统的后门攻击的框架，包括三种攻击机制和相应的优化方法。作者通过实验展示了后门触发器和机制的有效性和隐蔽性，并评估了保护决策系统的潜在防御方法。