本文提出了一种新的零射击槽填充神经模型LEONA，利用语言特征和上下文嵌入，显著提高了多个数据集上的性能。研究探讨了大型语言模型在噪声ASR转录中的应用，提出了微调方法和知识注入方案，提升了模型的鲁棒性和准确性。实验结果表明，该模型在低数据情况下表现优异，适用于多领域对话系统。

本文介绍了一种新的零射击方法，通过将声称和证据转化为语义三元组，利用大型语言模型进行自然语言推理，提升了多个数据集上的表现。同时，提出了新的数据集FactKG和多种生成方法，以提高事实验证的可靠性和有效性。研究表明，基于生成式语言模型的知识图谱构建方法在事实核查中表现优异。

本文分析了多语言转换在零射击跨语言场景中的局限性，指出在资源匮乏情况下跨语言转移效果不佳。实验确认源语言与目标语言的相似度及预训练语料库大小与转移性能相关。研究表明，细调源语言后再微调目标语言的few-shot transfer方法有效，并探讨了多语言神经机器翻译模型的零样本翻译问题，提出改进方法并取得显著效果。

通过使用零射击的基于大型语言模型的方法，结合检索增强生成和 MapReduce 技术，我们在肺动脉高压领域展示了一种有效识别疾病的方法，该方法在诊断中明显优于医生逻辑规则（F1 分数为 0.62 比 0.75），从而有望增强罕见疾病群体的识别和推动临床研究以及关注空缺的发现。