本研究探讨了人类与大型语言模型（LLM）互动中的不完整性和模糊性，提出了一种神经符号框架，分析这些因素对答案正确性的影响。研究表明，多轮互动有助于解决复杂问题，并减少不完整性和模糊性。

本研究提出了SegLLM，一种新型的多轮互动推理分割模型，通过对话记忆增强了大语言模型的分割能力。SegLLM在多轮任务中的性能提升超过20%，在单轮分割和定位任务中也有显著改善。

本研究探讨大型语言模型（LLMs）在Minecraft中的应用，评估其在多轮互动和任务规划中的表现。研究发现商业LLMs与开源模型之间存在性能差距，并提出新的评估框架和基准工具，以提升模型在协作建筑和信息组织中的能力。实验结果表明，LLMs在生成3D建筑方面表现良好，并通过概率图模型增强了导航能力。