本文针对电力系统在脱碳化背景下日益复杂的多维度弹性问题进行了系统综述与指数构建。研究指出，传统的单维度弹性评估方法无法捕捉到物理、运行、数字-网络、气候-外部以及经济-监管五个维度之间交互产生的系统性脆弱性。作者通过PRISMA 2020方法结合前后向滚雪球搜索，识别了现有研究在跨维度耦合方面的空白。在此基础上，提出了一个多维弹性指数（Multidimensional Resilience Index, MDRI），该指数能够同时捕捉内生耦合与外生放大效应。为了验证MDRI的有效性，研究者以2025年12月波兰能源基础设施遭受的网络-物理攻击为场景，模拟了不断升级的攻击情景。实验结果显示，级联与同时失效导致的退化程度是单一应力下的近8倍；外生条件（气候、经济-监管压力）进一步使退化放大近6倍，其中72%的放大由外生压力驱动。综合来看，与单向量参考相比，多维耦合机制使弹性损失增加了46倍。该研究为电力系统弹性评估提供了更全面的量化工具，并揭示了跨维度交互的非线性放大效应，对电网规划、运营和网络安全防御具有重要参考价值。

该论文研究了大型语言模型（LLM）在面对强制性审讯（coercive interrogation）时的韧性。强制性审讯是一种对抗性交互，攻击者试图通过重复、施压或诱导等方式迫使模型生成违反其初始对齐或安全约束的输出。作者提出了一种系统性的评估框架，通过构造一系列逐步升级的审讯策略（包括重复提问、情感施压、逻辑陷阱等）来测试不同LLM的抵抗力。实验在多个开源和闭源模型上展开，结果显示，即使是经过对齐训练的模型，在面对持久且针对性设计的审讯时，也表现出显著的脆弱性，可能泄露敏感信息、承认错误主张或产生不安全内容。论文进一步分析了模型内部机制（如注意力分布、神经元激活）与韧性之间的关系，发现模型在压力下会表现出注意力漂移和决策路径改变。主要贡献包括：定义和形式化了LLM强制性审讯问题；构建了包含多种审讯策略的测试基准；揭示了当前模型对齐技术的局限性；并提出了改进模型韧性的潜在方向，如通过对抗性训练增强鲁棒性。该研究对理解LLM在实际部署中的安全风险具有重要意义，提示开发者需关注模型在持续对抗性交互下的行为退化。

本论文研究在网联自动驾驶环境（CAV）下，当路线引导信息不可靠或存在误导时，交通网络的逐日动态建模问题。现有模型未能同时考虑交通流适应和用户对信息源信任的演化。作者提出了一个耦合的逐日交通分配与信任演化框架：日内拥堵由Lighthill-Whitham-Richards网络加载模型描述；逐日路径选择遵循有限理性对数学习，其中对外部引导的依赖程度由信任水平调节。信任被建模为基于Beta证据模型的聚合类级行为依赖状态，并随重复的引导误差更新。理论分析给出了稳态均衡、保守稳定性判据、用于群体脆弱性的加权合规指数，以及解释攻击后信任滞后的非对称恢复律。在Sioux Falls（明尼苏达）和Anaheim（加利福尼亚）的数值实验表明，内生信任机制产生阈值依赖的韧性：低于信任激活阈值时，攻击行为隐蔽，动态信任几乎不起作用；高于阈值时，信任侵蚀使固定信任攻击的影响降低约91%（Sioux Falls）和85%（Anaheim）。此外，CAV渗透率提高会加剧固定信任攻击的脆弱性，但动态衰减能力保持；交通性能可在信任恢复前恢复，产生长达77天的隐蔽脆弱窗口。该工作为CAV交通网络的韧性分析提供了信任感知的建模基础。