本研究提出了一种名为交叉层熵增强解码（END）的方法，旨在解决大型语言模型生成内容时的幻觉问题。通过分析不同层的概率变化，END提高了生成内容的真实性和信息丰富性，同时保持了问答的准确性。

本研究提出了一种新的三元组上下文恢复和基于查询的反馈框架（TCR-QF），旨在解决知识图谱中的信息损失问题。该方法通过重建三元组的文本上下文并动态调整知识图谱结构，显著提高了问答准确性，实验结果在五个基准数据集上优于现有技术。

本研究提出了一种动态检索方法，旨在改善现有检索增强生成模型在长文本问答中的不足。该方法仅在模型缺乏必要知识时进行检索，评估结果显示可将检索调用次数减少近一半，且对问答准确性影响微小。

本研究提出QuIM-RAG方法，解决传统检索增强生成系统在处理大量数据时的信息稀释和幻觉问题。通过生成潜在问题并与用户查询匹配，显著提高了问答的准确性，评估结果显示其优于传统RAG架构。

本研究提出了LongRAG，一种双视角的增强检索生成系统，旨在解决长上下文问答中的“迷失于中间”问题。实验结果表明，LongRAG在多个多跳数据集上显著提高了问答准确性，展示了其在长上下文问答中的潜力。