本研究提出了QualBench，这是首个针对中文大型语言模型（LLMs）的多领域问答基准，重点在于本地化评估。研究表明，中文LLM在符合资格的知识方面表现优异，为未来的多领域知识增强和垂直领域训练提供了新机遇。

本研究提出了一种知识增强的混合整数线性规划自动建模框架，旨在解决动态生产约束下多机器人系统的任务分配和数据隐私问题。实验结果表明，该框架在航空器皮肤制造中实现了成功的自动建模。

本研究提出知识增强联邦（KAF）范式，旨在解决去中心化数据中的“数据孤岛”问题，通过协作提升本地知识，并探讨知识扩展与过滤方法。

本研究针对混合专家（MoE）语言模型在资源受限环境中的应用挑战，提出了知识增强（KA）和学生感知路由器（SAR）两种知识蒸馏方法，有效提取专家知识，实验结果优于传统方法。

本文介绍了一种结合prompt learning和GPT-4的few-shot弱监督学习方法，用于病理全幻灯片图像分类。研究构建了包含50,470个属性的病理知识树，并开发了基于知识增强的视觉-语言预训练方法，显著提升了跨模态检索和零样本分类的性能。此外，提出了SlideChat和CATE模型，解决了病理分析中的数据稀缺和上下文理解问题，展示了在临床任务中的优越表现。

本文提出了多种方法提升小型语言模型的推理能力，包括知识增强推理提炼、基于表格推理的蒸馏方法、定制化学习和混合蒸馏框架。这些方法在多个推理任务中显著提高了小型模型的性能，尤其在数学推理和科学表格文本生成方面表现优越。

本研究探讨了通过创建解释本体来缩小模型与用户中心解释之间的差距。研究表明，知识增强可以提升大型语言模型在临床问答中的表现，临床医生更关注解释的可操作性。

本研究探讨了多模态大型语言模型（MLLMs）评估中的问题，强调视觉输入的重要性。通过改进评估协议和自动知识识别技术，研究发现知识增强管道显著提升了性能，揭示了LLM在MLLM中的关键作用。

腾讯优图与上海交大提出了一种新方法，通过开源知识增强框架提升大模型性能。该方法无需依赖数据集和模型信息，利用K-shot样本指导模型选择和数据筛选，结合混合专家模型实现知识互补。实验显示，该方法在多个任务上优于基线和SOTA方法，强调了K-shot数据在模型选择和数据扩增中的重要性。

本研究提出了一种基于知识库的视觉问答模型，结合视觉知识检索和问题回答方法，显著提升了在OK-VQA挑战赛中的表现。该模型通过多模态框架和语言指导，在多个数据集上实现了高准确率，展示了知识增强视觉问答的潜力。

本文介绍了一种名为知识增强文档标签注意网络（KeNet）的新方法，旨在提升多标签文本分类的性能。该方法通过结合文档、知识和标签表示，在多个数据集上超越了现有技术。此外，研究还探讨了多任务学习、标签相关性反馈机制和图注意力网络等技术，以增强标签学习和分类效果。

本文探讨了计算病理学中的视觉表征学习，构建了包含50,470个属性的病理知识树，并开发了基于知识增强的视觉-语言预训练方法。研究表明，该方法在跨模态检索和零样本分类等任务中显著提升了性能。此外，提出的无监督技术CPLIP在图像和文本对齐方面表现优异，推动了病理学研究的进展。

本文提出了一种新型对话系统模型，通过解耦响应解码器和知识增强方法，在低资源环境下实现高效学习。实验结果显示，该模型在多个基准测试中表现优异，能够生成准确且有据可依的回应，提升了对话系统的鲁棒性和事实一致性。

本文介绍了多种基于知识增强推理模型的视觉与语言导航方法，提升了代理在自然语言指令下的导航能力。通过整合视觉、历史和指令特征，实验结果显示这些方法在多个数据集上表现优异，显著提高了导航的成功率和可解释性。

本文提出了一种知识增强的对比视觉语言预训练框架（KoBo），旨在解决医学图像分类中的虚假相关性和可解释性问题。该框架通过整合临床知识，在分类、分割和提取任务中表现优异，尤其在不同数据集上展现出更好的泛化能力。此外，研究探讨了领域知识在贝叶斯神经网络中的应用，以提升预测性能。

本文提出了一种知识增强的对比视觉语言预训练框架（KoBo），将临床知识融入视觉语言学习中，以提升分类和分割任务的性能。同时，研究提出了COSMO方法，解决虚假负样本问题，强调其在视觉语言预训练中的重要性。此外，比较了对比预训练与图像字幕策略，发现后者同样有效。整体上，研究展示了多模态学习在视觉与语言任务中的优势与挑战。

本文介绍了少样本增量事件检测的新任务，提出了基于FewEvent的基准数据集和两种方法（IFSED-K和IFSED-KP），并展示了其在F1分数上的优越性。研究探讨了知识增强和元学习在少样本事件检测中的应用，显著提高了模型在低资源场景下的性能。

该研究介绍了一种名为KEPP的新型知识增强程序规划系统，该系统在构建逻辑动作步骤序列方面表现出卓越的能力，并且只需要很少的监督。实验评估结果显示，KEPP在各种复杂度设置下取得了最新的结果。

本文研究了解决知识图谱问答任务的知识图增强语言模型方法，实验证明该方法在回答准确性和知识陈述的有用性方面优于先前的方法。

百度知识增强大语言模型荣获世界互联网大会领先科技奖，具备知识增强、检索增强和对话增强的独有技术优势，已应用于智能搜索、通用对话等领域，并成功实践“集约化生产，平台化应用”的产业模式。