本研究提出“原知识”概念，形式化并测量大型语言模型在预训练期间如何内化知识图谱的令牌序列及其在推理中的应用，分析结果显示其对文本到SPARQL的性能影响。

本研究提出了一种自动生成基于上下文的问答对的方法，旨在提升大型语言模型在复杂推理和实时知识整合方面的能力。实验结果显示，该方法在逻辑一致性和事实准确性上优于传统的人类标注问答对。

本研究提出了一种新型神经网络架构——归一化组卷积模型（PoNG），旨在提升抽象视觉推理中的模型泛化能力。实验结果表明，该模型在多个基准测试中表现优异，超越了现有方法。

本研究提出了一种新框架，旨在解决多机器人任务分配和碰撞避免问题。通过空间聚类方法，缩短任务分配时间，提高解决方案质量，降低碰撞风险，具有重要的实际应用价值。

本研究探讨大型语言模型（LLMs）在复杂决策任务中是否能够模拟人类在不确定动态决策中的探索与利用行为。

本研究提出了一种创新的协作系统，使无人机和地面无人车能够实时执行自然语言指定的任务。该系统结合大型语言模型和语义地图，实现了机器人之间的信息共享与协调，展示了在城市和乡村环境中的有效导航能力。

本研究探讨了超出分布（OOD）泛化的挑战，强调仅通过OOD设置测试算法是不够的，还需验证特征的组合性。分析了三种神经网络在特定OOD任务中的表现，并提出了两种新架构，指出成功偏见可能导致未能学习正确特征。

本研究提出了耦合层次扩散（CHD）框架，旨在提升复杂长任务中的扩散规划效果。通过联合建模高层次目标选择与低层次轨迹生成，CHD在迷宫导航、桌面操作和家庭环境等场景中表现优于传统方法。

本研究提出了MedArabiQ基准数据集，涵盖七个阿拉伯医疗任务，旨在解决大型语言模型在阿拉伯医疗领域应用不足的问题。通过评估多个顶尖模型，强调创建高质量基准的重要性，以确保公平部署和扩展性。

本研究提出了一种通过自生成示例数据库提升大型语言模型代理在顺序决策任务中的性能的方法。研究表明，代理通过积累成功经验，表现显著提高，效果与复杂的任务特定方法相当，验证了自动构建轨迹数据库的有效性。

本研究提出了一种新的高斯过程回归库GPRat，结合异步运行时模型HPX与Python API，解决了人工智能软件开发中CPU并行化导致的性能下降问题。实验结果表明，GPRat在多核处理器上的训练和预测速度显著优于现有库，展示了异步任务的潜力。

本研究探讨了在图像再生中迭代优化输入提示的重要性，发现逐步调整提示显著提高了再生图像与目标图像的相似度，验证了迭代工作流程在生成性AI内容创作中的潜力。