本研究提出了一种新方法，通过脑启发的类比生成器（BiAG）解决传统少量样本类增量学习在学习新类别时无法有效利用旧知识的问题。该方法在增量阶段无需参数微调即可生成新类别的权重，实验结果表明其在多个数据集上的精度超过现有方法。

该文综述大语言模型在问答中的知识利用研究。COMBO框架融合两类信息源以提升开放域问答；检索增强可媲美长上下文微调且计算更省，最佳模型优于GPT-3.5-turbo-16k；GenRead通过生成上下文文档提升准确率；两阶段闭书问答框架优于先前方法；GPT-4等存在错觉与逻辑错误，上下文相关性与答案质量呈非线性关系，校准后可自动评分；知识图谱联合推理增益有限；RALMs利用检索信息提升性能；GPT-4V预过滤可缓解离题上下文偏导；迭代检索-生成框架显著提升单跳与多跳推理。