本体学习相关 AI 资讯 · AITOP · AI热报

9月1日

11:24

11:24

官方账号arXiv cs.AI@Hamed Babaei Giglou, Sören Auer, Jennifer D'Souza

精选73°

研究评估了13个模型，包括Qwen3.5和Qwen3.6系列以及GPT变体，使用OntoLearner管道。在Qwen3.5密集型模型中，参数量增加主要提高精确率而非召回率，9B到27B参数间提升最大。27B密集型模型在术语分类上显著优于更大的稀疏模型，而更大的MoE模型在分类发现上表现最佳。非分类关系提取在所有模型规模上仍具挑战性，特别是在材料数据科学本体上。

论文 Qwen3.5 Qwen3.6 本体学习

推荐理由：Qwen团队研究了13个模型规模对本体学习的影响，发现参数量并非越大越好，架构和模型血统比参数数量更重要。

8月28日

18:58

18:58

官方账号arXiv cs.AI@Shivam Mishra, Dhannu Ram Meena, Muneendra Ojha, Krishna Pratap Singh, Kuldeep Singh

研究团队在LLMs4OL 2026挑战中提出了一种离线检索增强的少样本提示管道，使用Qwen2.5-14B-Instruct和all-MiniLM-L6-v2模型。对于旗舰任务A，他们选择前5个示例；对于本体扩展重用任务B，选择前2个示例。任务B在语义图相似度达到0.8692，术语分类F1为0.9200，分类发现F1为0.8540；任务A语义图相似度为0.7416。

论文 LLMs4OL Qwen2.5-14B-Instruct 本体学习

推荐理由：团队用Qwen2.5模型解决本体学习任务，通过词汇过滤提高准确性，但无法提取非分类关系。