本研究探讨了多智能体生成过程中的来源追踪问题，提出了一种不依赖内部记忆或外部元信息的历史归因系统。该系统通过符号编年史概念逐步更新生成历史，旨在促进负责任的协作人工智能发展。

本研究探讨了大型语言模型驱动的多智能体系统中的从众行为，填补了合规性研究的空白。通过引入新基准测试BenchForm，评估语言模型的行为，揭示了从众行为的影响及其缓解策略，为构建更强大且符合伦理的协作人工智能系统提供了重要见解。

本研究探讨了协作人工智能在医疗应用中的成本效益，比较了联邦学习（FL）与共识基础学习（CBL）。结果表明，CBL在保持相同准确度的情况下，显著降低了训练时间和通信成本，为协作AI的可持续部署提供了新视角。

本文探讨了基于博弈论的协作人工智能系统，旨在提高系统的可恢复性并减少CO2足迹。研究涉及网络物理系统的攻击模型、任务生成方法及其在物理推理中的应用，强调多智能体运动预测与控制的交互建模问题，并提出优化算法以应对攻击策略。