本研究提出利用生成性人工智能将台湾中国研究领域的无结构学术文本转化为结构化知识表示，以满足信息重组需求，增强对中国研究文献的访问能力，并推动区域知识系统的学术基础设施重建。

本文探讨了大型语言模型（LLMs）推理性能的提升方法，包括LASER技术和无标签数据的结构裁剪框架。研究表明，通过选择性删除高阶权重和改进数据创建流程，LLMs在处理长文本和上下文学习方面表现更佳，尤其在结构化知识落地任务中取得显著进展。

本文研究了大型语言模型（LLMs）中高层语义概念的线性表示，分析了不同模型（如ELMO、BERT、XLM-R等）中的语言特征编码。研究发现，低维子空间能够通过稀疏线性组合建模激活，LLMs在空间和时间维度上学习了结构化知识，支持其形成世界模型。

研究人员通过结构化知识和大型生成模型，提出了一种模块化消除预训练语言模型中多个偏见维度的方法。他们证明了该方法在多个任务和多种语言上的有效性。

大型语言模型具有潜在的革命性特征，能够形成连贯的世界模型并学习空间和时间的线性表示。研究还发现了编码空间和时间坐标的单个神经元，表明现代大模型获得了关于空间和时间的结构化知识。

本研究提出了结构化知识的几何推理方法，使用 Knowledge Crosswords 进行实验，附加了两种新方法，结果表明 Verify-All 方法在性能上大幅优于其他方法，并且对于困难问题更加稳健。但LLMs在结构化知识的几何推理能力仍不够强大，易受影响。

本研究提出了结构化知识的几何推理方法，使用 Knowledge Crosswords 进行实验，附加了两种新方法，结果表明 Verify-All 方法在性能上大幅优于其他方法，并且对于困难问题更加稳健。但LLMs在结构化知识的几何推理能力仍不够强大或完美。