该研究探讨了大型语言模型（LLMs）的可解释性，强调对比解释在验证语法现象和提升模型性能方面的优势。研究揭示了LLMs生成错误答案的风险，并提出了提高模型透明度的方法。实验证明，新的解释框架和倒因果估算方法能有效增强模型的可解释性，确保安全性并建立信任。

本文介绍了一种名为MAoE的领域无关方法，用于解决多代理优化问题中代理对初始解满意度不高的问题。该方法生成一个新的满足代理需求的解，并最小化该解与初始解之间的差异，提高代理对初始解的满意度。经过计算评估和用户研究验证，证明了MAoE能够为大规模多代理优化问题生成对比解释，并提高人们对初始解的满意度。