本文是LLM系列文章，针对《Trends in Integration of Knowledge and Large Language Models: A Survey and Taxonomy of Methods, Benchmarks, and Applications》的翻译。
摘要
大型语言模型（LLM）在各种自然语言任务上表现出优异的性能，但它们容易受到过时数据和特定领域限制所带来的问题的影响。为了应对这些挑战，研究人员采用了两种主要策略，即知识编辑和检索增强，通过整合来自不同方面的外部信息来增强LLM。尽管如此，仍然明显缺乏全面的调查。在本文中，我们提出了一个综述来讨论知识和大型语言模型集成的趋势，包括方法的分类、基准和应用程序。此外，我们对不同的方法进行了深入分析，并指出了未来潜在的研究方向。我们希望这项调查能为社区提供对这一研究领域的快速访问和全面概述，以激励未来的研究努力。
1 引言
2 知识编辑
3 检索增强
4 前言应用
5 未来方向
6 结论
在本文中，我们对知识和大型语言模型的集成进行了调查，并对其主要方向提供了广泛的看法，包括知识编辑和检索增强。此外，我们总结了常用的基准和前沿应用，并指出了一些有前景的研究方向。我们希望这项调查能让读者清楚地了解当前的进展，并激励更多的工作。