本研究探讨大型语言模型（LLMs）对科学文献引用实践的影响，发现LLMs倾向于优先引用高被引论文，从而强化了马太效应。这种偏好可能重塑引用实践，进而影响科学发现的进程。

本研究解决了大语言模型在推理时自我反思的不足，通过引入“内化自我纠正”（InSeC）的方法，结合负采样、训练中的自我反思和推理过程，使模型在训练中引入错误及其相应的修正，从而将学习过程转化为真正的监督学习任务。该方法有助于改善模型的指令跟随能力，并纠正生成的错误句子或虚假信息。

本文讨论了知识管理的三个阶段：收集、整理和内化，以及以工作为分类标准的知识管理方法。作者介绍了专业知识和兴趣知识的管理方法，包括树状笔记管理、双向链接、Anki系统和网状笔记管理。强调了根据不同类型的知识采用不同的管理方法，并指出知识管理是一个动态的过程。

研究提出了一种多级自适应对比学习（MACL）框架，用于解决知识感知对话生成模型无法内化外部知识的问题。该框架在令牌级别和序列级别上惩罚退化行为，并在 WoW 数据集上有效。