该研究提出了一种自给自足框架，通过强化学习提取结构化信息，显著提升大型语言模型在复杂科学问题上的联想思维能力。在生物医学问答任务中，模型性能提高了71.4%。此方法为结构化检索与推理的整合提供了新思路。

本研究提出了EvidenceMap框架，旨在解决大型语言模型在生物医学问答中缺乏证据分析的问题。实验结果表明，该方法通过结合小型语言模型与证据分析，显著提升了问答性能，超越了更大的模型和流行推理方法。

本文提出了结合大型语言模型与知识图谱的多种方法，旨在提升知识图谱补全和文本生成效果。研究包括KICGPT框架、Text2KGBench评估工具及引用增强生成方法，显示出在低资源条件下的有效性和准确性，尤其在生物医学问答和信息检索方面表现突出。