本研究提出了TreeHop方法，以提高多跳问题回答中的信息合成效率。该方法通过动态更新查询嵌入，消除了传统查询重写的需求。实验结果表明，TreeHop在多个数据集上的表现与先进方法相当，但模型参数仅为其5%-0.4%，查询延迟减少约99%，显示出在知识密集型应用中的潜力。

本研究分析了大型语言模型（LLM）在多跳问题回答中的解码方法，提出结合ReAct框架与解码策略以提高答案准确性，特别是在推理和外部知识获取方面，解决了因事实不准确导致的“幻觉”现象。

本文提出ReSearch框架，旨在解决大型语言模型在推理中整合外部检索的挑战，尤其是复杂的多跳问题。通过强化学习训练，实验证明该方法在多个基准测试中展现出强大的泛化能力，提升了模型的反思与自我修正能力。

本研究提出了一种新的知识编辑方法KEDKG，旨在解决大型语言模型在多跳问题回答中的知识需求。通过构建动态知识图谱，该方法显著提高了答案的准确性和可靠性。实验结果表明，KEDKG在动态信息环境中优于传统模型。

本研究提出了一种基于有限状态机的自指导提示范式（SG-FSM），旨在解决多跳问题回答中的幻觉、错误传播和上下文长度限制等问题。SG-FSM通过将复杂问题分解为子问题并进行动态决策，显著提升了模型的推理能力和准确性。实验结果表明，SG-FSM在多个基准测试中优于传统方法，减少了幻觉现象，提高了输出格式的遵循性。

本研究探讨了传统问答（QA）与逆向问答（RQA）在生成问题及回答准确性上的差异。测试16个大型语言模型后发现，RQA在数值答案上的准确性显著低于QA，而文本答案的准确性略高。研究表明，RQA的错误与问题难度相关，反映了模型在生成有效多跳问题上的不足，并提出了改进建议。

本文探讨了在大型语言模型中注入新事实的技术，提出了基准测试MQuAKE和基于记忆的方法MeLLo，以提升多跳问题的回答能力。研究还介绍了知识编辑的分类和评估框架，强调动态更新模型以保持相关性的重要性，并提出了增强推理能力的多语言知识编辑新方法。

本文提出了一种新的迭代 RAG 方法 ReSP，配备双功能摘要生成器，显著提升多跳问题回答的效果。同时开发了 MultiHop-RAG 数据集，揭示了现有 RAG 方法的不足，并探讨了 RAG 的发展范式及评估方法。新框架 RichRAG 和改进的 Multi-Meta-RAG 方法提高了多跳问题的检索准确性，推动了 RAG 技术的进步和应用。

本文探讨了如何通过知识图谱增强大型语言模型（LLMs）的推理能力，提出了Think-on-Graph和Logic-Query-of-Thoughts等新框架和方法，显著提高了多跳问题回答的准确性和连贯性。研究表明，LLMs在推理时生成的思路与答案的准确性存在差异，强调了知识聚合和上下文信息的重要性。

研究发现，大型语言模型（LLMs）在多跳问题回答中具有推理能力，但连贯思路准确性与回答准确性存在差异。