本研究提出DisCIPL方法，旨在解决语言模型推理中的低效和误差问题，能够生成并执行特定任务的推理程序。研究结果表明，该方法在任务生成方面表现优异，有望提高推理效率和可验证性。

本研究探讨了人工智能模型开发中的功能安全问题，提出了一种透明灵活的工作流程，强调可靠性和可验证性。研究指出，扩展的ONNX模型描述对AI算法的有效部署至关重要。

本研究提出了SemanticLens，一种通用的神经网络解释方法，旨在解决人工智能模型的不透明性问题。该方法通过将隐藏知识映射到语义结构化的多模态空间，增强模型的可验证性和信任度，促进组件级理解，填补人工智能与传统工程系统之间的信任差距。

本研究提出了一种新颖的自适应提取方法，解决了社交媒体内容事实检验中的缺陷，优化了索赔改写，提升了可验证性，优于现有方法。

本研究提出了一种新方法——程序-证明共演修复引擎，旨在解决AI生成代码的不可靠性和自然语言需求模糊问题。该方法能够识别程序员意图，生成符合该意图的代码及证明，从而提高自动生成程序的可验证性。