本文提出生成检索与对齐模型（GRAM），旨在解决传统检索方法无法有效利用世界知识的问题。通过联合训练查询与产品文本，GRAM生成共享文本标识码，显著提升检索效率和查询产品之间的联系，优于传统及最新生成检索模型。

本研究提出QUENCH，一种基于文本的英语测验基准，旨在评估大型语言模型的世界知识和推理能力，结合地理背景与常识推理，以加深对LLMs缺陷的理解。

研究发现，指导调优大型语言模型（LLMs）可以提高其与人类大脑的相似性。通过对25个经过指导调优的LLMs进行评估，发现指导调优可以提高大脑对齐的平均值，但对行为对齐没有类似效果。研究还发现，大脑对齐与模型大小和需要世界知识的任务的表现之间存在强正相关。这些结果表明，指导调优可以改善LLMs的世界知识表示和大脑对齐。

研究发现，指导调优可以提高大型语言模型（LLMs）的大脑对齐，但对行为对齐没有类似效果。大脑对齐与模型大小和需要世界知识的任务的表现之间存在强正相关。结果表明，指导调优可以改善世界知识表示和大脑对齐。

本文讨论了大语言模型（LLM）与语言学之间的关系。大型语言模型的开发与语言学领域脱节，但它们的成功重新引发了该领域的争论。大模型在语言生成方面有优势，但在世界知识和语用学方面存在局限性。目前大模型与语言学和人类认知关系不大，但语言学可能会受益于大模型作为语言习得和处理建模的工具。

本文介绍了大型语言模型以类似知识库的方式组织概念，提供了推理语义和世界知识的高质量表征。更大更好的模型表现出更符合人类的概念组织，涵盖了四个系列的语言模型和三个知识图谱嵌入。

本文介绍了大型语言模型以类似知识库的方式组织概念，提供了推理语义和世界知识的高质量表征。更大更好的模型表现出更符合人类的概念组织，涵盖了四个系列的语言模型和三个知识图谱嵌入。

CogNet是一个整合了语言知识、世界知识和常识知识的知识库，采用三层统一的框架式表示架构，并通过混合自动标注和众包注释的策略将常识知识与其他结构化知识集成。目前，CogNet包含1000+个语义框架、2000万+个实例和90000+个常识知识断言。用户可以在在线平台上查询和探索，并以RDF格式免费下载使用。