本研究结合大型语言模型与知识图谱，提出了一种新框架，显著提升了开放式问题回答的准确性和推理能力。通过优化知识图谱的使用，减少了模型的虚构幻觉，增强了可信度。实验结果表明，该方法在多个数据集上表现优异，为未来研究提供了重要参考。

本文探讨了结合知识图谱与大型语言模型的方法，显著提升开放式问题回答的准确性和性能。通过多任务框架和自我完善的知识图谱检索，改善了模型的真实性和泛化能力，尤其在医学领域表现突出。提出的迭代检索-生成框架有效提高了推理能力，实验结果显示在多跳问答任务中取得了显著进展。