本研究提出了SIM-RAG框架，旨在提升多轮检索增强生成系统的自我意识和检索能力。通过自我实践，系统能够更好地判断信息的充分性，从而优化检索决策。实验结果表明，SIM-RAG在多个基准测试中表现优异，显著提高了系统和数据的效率。

本研究提出了一种多源检索框架MoK-RAG，旨在解决现有检索增强生成系统依赖单一知识来源的问题。该框架通过功能划分大语言模型语料库，显著提升了具身AI代理在3D模拟环境中生成多样场景的能力。

本研究提出了GGatrieval方法，旨在解决现有检索增强生成系统的响应问题。通过动态更新查询和筛选高质量文档，该方法提高了生成文本的准确性和可靠性。研究结果表明，该方法在ALCE基准测试中显著优于多种基线。

本研究提出了一种文本驱动的立体视频生成系统（T-SVG），旨在简化立体视频生成的技术复杂性。该系统通过文本提示生成参考视频，并将其转换为自然立体效果的3D点云序列，从而简化内容创作流程。

本研究提出了一种新索引方法SiReRAG，旨在解决现有检索增强生成系统的不足。通过构建相似性树和相关性树，SiReRAG在三个多跳数据集上的F1分数平均提高了1.9%。