Text2SQL任务将自然语言查询转为SQL，经历四个阶段，目前面临提示优化、模型训练和推理增强三大难题。本文提出J-Schema和Iterative DPO方法，使模型在BIRD数据集上的执行准确率从56.6%提升至69.2%。通过思维链引导推理，采用自洽性方法优化答案选择，取得显著效果。

本研究探讨了多感知信息在复杂场景中的组合推理能力，提出了两个基准测试和新的推理增强方法，显著提升了模型性能，展现了研究潜力和应用价值。

本文综述大语言模型知识获取与推理增强策略：通过意见提示和反事实演示提升上下文真实性；利用置信度评分与温度缩放降低校准误差；借助外部知识库和迭代提示优化生成；采用多模型辩论、FaR零样本框架、信念图约束推理及“重述和回答”提升数学与策略推理及一致性，并与思维链互补；多阶段依据验证框架提高生命科学问答可靠性。

该文综述大语言模型与符号推理结合的进展，涵盖Logic-LM（先转符号再求解并自省）、LoGiPT（模拟求解器推理）、SAT辅助语言建模（用定理证明器验证）、Elemental Cognition平台（处理约束优化）、图神经网络提升SAT求解器、可微MAXSAT（将逻辑纳入深度学习）、自监督后训练增强逻辑知识、DaSLaM（分解子问题）、LLM结合符号求解器解代数题提升20%、SYRELM（用强化学习实现算术推理）。

本文综述大语言模型安全可信问题，涵盖自验证、自我纠正、TrustLLM信任评估、单位一致性数学推理、图方法增强推理及符号操作局限等研究，并探讨视觉领域大模型的人类误用、脆弱性、内在缺陷与可解释性四类可信挑战，旨在推动模型与人类期望对齐。