该研究探讨了多模态学习中添加和缺失模态对模型性能和公平性的影响。结果表明，添加新模态通常能提升模型性能，但可能影响公平性；而缺失模态则会导致性能和公平性双双下降，突显了实际应用中的鲁棒性问题。

最近研究发现大型语言模型(LLMs)生成的编程代码存在可靠性和鲁棒性问题。研究使用了包含1208个编程问题的数据集RobustAPI，发现即使对于GPT-4，62%的生成代码存在API误用，可能导致意想不到的后果。