标签
Helix Foundry 是一个基于 HelixDB 和 DuckDB 的本地优先数据工作台，可连接公司现有的数据库、Stripe、WorkOS、PostHog、文件和 API，并自动生成跨数据源的统一本体，全部在本地运行且默认使用本地 AI。
作者分享对 GraphRAG 的兴趣，并尝试构建一个轻量本体论、无需向量搜索的 Jev-based GraphRAG 变体。
论文提出了一种流水线，可自动生成基于本体且经推理器验证的多选题基准，用于评估大语言模型在科学人工智能中的逻辑推理能力；该方法在三个本体（Pizza、PMDco、DOID）和六个大语言模型上进行了验证。
本文提出了基于本体的上下文 AI 评估（Ontology-Based Contextual AI Evaluations，OB-CAIE）方法学，该方法利用领域特定本体和评估过程本体，为生成式 AI 测试带来科学严谨性、可追溯性和可复现性，同时在人类专业知识与自动化之间取得平衡。
EvoOntology 引入了一种自进化本体层，封装为 MCP 服务器，以弥合代理-数据鸿沟，并提高在异构数据任务上的性能，如基准测试所示。
这个网络研讨会提供了一种实用的工程导向方法，利用本体在Neo4j上构建语义层，强调了AI驱动应用和数据一致性的好处。
本文介绍了知识卡片（Knowledge Card），这是一种结构化且经过专家验证的工件，旨在表示AI系统中的知识，特别是对于代理AI，以增强透明度和可审计性。
本文提出了一种符合SAREF标准的本体，用于表示和编排跨异构边缘、雾和云环境的分布式AI工作流，以提高语义互操作性和资源感知部署。
本文提出了一种本体驱动的框架，用于量化并强制执行文档级关系提取数据集中的结构一致性，减少逻辑矛盾，并在使用远程监督数据时提高模型泛化能力。
提出 Moose，一种神经符号方法，将 OWL 2 EL 本体编译为句子决策图（SDD），用于可微加权模型计数，从而在部分监督下实现潜概念学习，并首次在 OWL EL 设置中提供推理捷径分析。
This paper presents a large collection of 57.5K transactional prompts extracted from GitHub, introducing an ontology to analyze their linguistic structure and usage patterns across languages, tasks, and modalities.
This paper proposes a hybrid knowledge graph generation pipeline that combines top-down grounding in Wikidata with bottom-up agentic synthesis to handle noisy, multilingual HR skill declarations, producing a scalable and self-healing skills taxonomy.
本文提出了一种用于激光粉末床熔融的神经符号闭环架构，其中环内本体将符号推理与统计学习相结合，以控制熔池深度并消除悬垂挂渣。通过校准至NIST AM-Bench基准的代理模型验证了可行性。
本文提出了Mecellem语义协议，这是一个基于本体论的人工法律智能框架，主张法律推理需要动态的、依赖上下文的含义构建，而非仅仅是法典化或统计模式识别。
本文介绍了FDD-ON，一个模块化本体，用于表示VAV HVAC系统组件、故障、症状和影响，以实现可互操作的故障检测与诊断应用。
介绍了SciToolAgent-Evo，一种面向开放世界科学工具获取的本体感知自进化LLM智能体，以及包含900个真实任务的OpenSciToolBench基准。该智能体利用进化记忆和基于LinUCB的赌博机门控，动态探索并获取新工具。
GreptimeDB引入了一个语义层，保留了通常会在摄取时丢弃的OTLP元数据（仪器类型、单位、时间性），使AIOps工具和LLM代理能够理解系统拓扑，而无需从列名猜测。
OntoBook利用大型语言模型将医学本体图转换为合成教科书文本，然后使用生成的130万本法语教科书对ModernCamemBERT进行预训练，在医学编码基准测试上取得了显著提升。
本文结合了机制验证研究，针对主权企业语言模型的本体增强蒸馏以及一种情境性审计方法，使用了经过监督微调和DPO适配的Qwen3.6-27B学生模型。结果统计功效不足且为负面，显示未优于前沿基线，且路由中情境性为零。
一篇预印本论文认为，AI 可以映射已知的生物学，但无法执行“种类形成”——即创造新的变量和约束——这需要人类科学家的具身参与。作者提出了一套课程体系，旨在培养科学家成为“未参数化检测器”，以在生物发现中补充 AI 的能力。