蚂蚁联合实验室提出的K-ON方法通过多词元并行预测，提升了大模型对知识图谱的感知能力。在知识图谱补全任务中，该方法表现优于现有技术，训练和推理效率更高。实验结果显示，K-ON在多个数据集上均取得显著优势。

本文探讨了知识图谱与大型语言模型（LLM）的结合，提出三种框架以提升自然语言处理能力。研究表明，通过结构感知推理和创新的知识图建模方法，LLM在知识图谱补全任务中表现优异，尤其在低资源条件下。实验结果显示，微调小型模型能超越大型模型，推动知识图谱在知识密集型任务中的应用。

本文提出了一种新型的物理推动深度学习框架，用于单目深度估计和补全任务。该方法通过估计表面法线和距离图，并规范化转换为深度图。实验证明，该方法优于先前的方法。