本研究提出了一种基于约束行为空间的强化学习方法，通过整合外部知识来解决组合优化问题，实现更优的图形分区，适用于多个领域。

本研究探讨大型语言模型（LLMs）在预测暴力冲突方面的能力，发现其预训练权重中包含有意义的参数性知识。通过结合外部信息，模型在冲突趋势和死亡人数预测上显著提升，强调了整合外部知识的重要性。

本文提出了一种结合思维链与检索增强生成的方法，以解决大型语言模型在复杂任务中产生虚假信息的问题。研究表明，外部知识和自我验证策略的引入显著提升了模型的响应质量和推理深度。

本研究探讨了增强检索生成（RAG）中管理外部知识的挑战，提出了晚分块和上下文检索两种分块技术。结果表明，上下文检索在语义连贯性上表现更佳，但计算资源需求较高；而晚分块效率更高，但可能影响相关性和完整性。

生成式AI普遍存在，但大型语言模型（LLM）有时会出现幻觉现象。检索增强生成（RAG）技术通过整合外部知识来提升LLM输出，尤其适用于特定领域知识和数据隐私需求。本文介绍了在本地实现RAG系统的方法，包括查询重写和文档嵌入技术，以提高生成结果的准确性。

本研究提出了一种三阶段的外部知识增强后续问题生成方法，旨在缩小生成问题与人类提问水平之间的差距。该方法通过识别上下文主题、构建知识图谱并结合大型语言模型，生成更具信息性和探索性的后续问题，实验结果显示其效果接近人类提问。

Search-o1是清华与人大合作开发的推理模型框架，通过自主检索外部知识，显著提升推理能力，解决知识不足的问题。实验表明，其在科学、数学和编码等复杂任务中表现优于人类专家，增强了模型的可信度和实用性。

本研究探讨大型语言模型在多跳推理中选取和组合外部知识的能力，发现即使使用思维链提示，模型仍存在显著不足，与人类表现差距较大，为提升推理能力提供了参考。

大型语言模型在文本理解和生成方面表现优异，但训练计算需求高，需频繁更新。本文定义知识编辑问题，回顾前沿方法，并提出统一分类：利用外部知识、合并知识和编辑内在知识。引入新基准KnowEdit进行评估，分析知识定位，探讨知识编辑的应用及其重要性。

本研究探讨了在知识密集型任务中如何有效利用外部知识来增强生成过程。通过上下文学习和迭代提示策略，优化推理计算显著提升了性能。

将外部知识融合到大型语言模型中，以克服其古老且静态参数化记忆的局限性，增强知识整合能力。研究将知识融合拆解为四个场景，并对每个场景下的LLMs行为进行了系统研究。结果显示，增强LLMs内部的参数化知识可以显著提升知识整合能力。

研究发现，融合外部知识到大型语言模型（LLMs）中可以增强知识整合能力，但过度依赖外部知识低估了LLMs内在参数化知识的贡献。研究结果指导未来对LLMs内外知识协调的探索。

本研究解决了大型语言模型在生物医学领域结构化信息提取任务中的表现差异。通过系统性基准测试，发现标准提示方法在生物医学任务中优于更复杂的方法，强调需改进模型对外部知识及推理机制的整合。

本研究分析了基于知识的视觉问答，发现结合任务特定模型、预训练语言模型和显式的外部和视觉知识检索模型效果良好。预训练语言模型在1跳推理方面较强，但在2跳推理方面不如精调的神经网络模型。预训练语言模型在与知识库相关的问题上优于神经网络模型，但不能代替对外部知识的需求。

大型语言模型在生成能力方面表现出色，但在回答需要不太常见的信息的问题时容易出现幻觉。基于检索的大型语言模型结合外部知识是解决方案，但忽视了底层结构。我们提出了一个综合数据集，包含两个独特挑战。我们的模型在解决推理挑战方面优于以往的方法。

本文介绍了KnowledgeNavigator框架，通过检索外部知识和增强LLM推理，解决了复杂推理场景中的问题。实验证明该框架在知识图问答测试中效果优于之前的方法。

本文介绍了KnowledgeNavigator框架，通过检索外部知识和增强LLM推理，解决了复杂推理场景中的问题。该框架通过挖掘和增强问题约束，指导推理过程，并迭代推理检索和过滤外部知识来支持回答。实验证明该框架在知识图问答测试中表现优秀。