文章讨论了使用AI代理修复GoAWK中的错误的经历。AI能够快速诊断问题，但在提供解决方案时表现出犹豫，提出多达七种修复选项并反复更改建议。最终，作者选择了最常被推荐的选项，强调了AI在决策过程中的不确定性。

大型语言模型（LLMs）具有良好的推理能力，但其决策过程不透明，导致异常时难以追踪原因。去年，我们推出了Gemma Scope工具包，以帮助研究人员理解Gemma 2的内部机制。

该研究提出了一种意图感知策略图，以解决自动驾驶车辆决策过程的不透明性问题。通过提供可解释的车辆行为，增强社会信任和监管接受度，并识别自动驾驶数据集中的潜在漏洞。

本研究提出了CognitionNet，一个双阶段深度神经网络，旨在自动化发现在线技能游戏平台中玩家的心理和游戏策略。该方法有效揭示了玩家的决策过程，显著提高了参与预测的准确性，具有重要应用价值。

本研究探讨大型语言模型（LLMs）在社会模拟中作为类人决策代理的行为，填补了其角色和上下文影响的研究空白。研究提出了一种定量修改决策过程的方法，旨在对AI代理的设计和去偏见产生重要影响。

本研究通过图形结构注释方案评估大型语言模型（LLMs）在37种日常活动中的常识推理能力，揭示了其推理组件的特征，帮助理解决策过程。

本研究探讨人机协作中的决策过程，提出AI应从被动工具转变为积极协作者。通过团队情境意识理论，指出当前研究的关键缺口，并为未来人机协作提供基础性议程，以实现高效可持续的团队合作。

本研究探讨了多玩家MCTS算法在棋类游戏中的应用，特别是其决策过程的复杂性和局限性。通过结合浅层极小化搜索和过程挖掘技术，为3对3跳棋游戏中的代理策略提供了可解释的洞见，发现这种混合方法能改善决策质量，提高游戏代理表现。

本研究提出了一种新算法，解决部分可观测马尔可夫决策过程中的观测噪声适应问题。该算法通过迭代蒙特卡洛步骤，在多个POMDP领域中表现优于现有方法。

本研究提出了一种结合大型语言模型与EPANET架构的交互框架，以应对水分配系统建模的复杂性，优化决策过程。

本研究探讨深度神经网络在决策过程中的相似性与差异性，提出了一种可解释的表示相似性方法（RSVC），以识别模型间共享和独特的视觉概念。研究结果表明，模型的差异源于某些独有概念未被另一模型有效表示，验证了该方法的有效性。

本研究探讨了生成模型在决策过程中的应用，分析了七种基础生成模型的角色，评估了现有方法的优缺点，并提出了推进下一代生成导向模型的三大关键方向。

本研究提出了一种贪婪优化策略，解决了无关训练的引导生成方法的控制问题，并分析了其在决策过程中的高效性。

本研究探讨了通用约束马尔可夫决策过程的近似计算复杂性，提出了一种多项式时间的$(0, ext{ε})$-加性双标准近似算法，旨在寻找最优约束策略并解决多个复杂性问题。

本研究探讨了代理在决策过程中如何战略性回应决策者模型。我们提出了一种新方法，利用局部解释来最大化决策者效用，同时保障代理福利，并通过实证结果验证了其有效性和安全性。