本研究提出了一种新计算框架，结合递归神经网络与人类反应时间，优化决策模型，提高速度与准确性，并改善对人类反应时间数据的拟合效果。

本研究提出了自动检测工具Minder，用于大规模分布式模型训练中的故障机器检测。Minder能够高效识别故障特征，平均反应时间为3.6秒，准确率为90.4%，F1-score为89.3%，显示出良好的应用潜力。

研究提出了一种主动选择提示以收集偏好数据的算法（APO），在不损害策略性能的情况下实现了样本效率。实验评估验证了APO作为RLHF数据收集的解决方案，以促进LLMs与人类偏好的一致性。