使用预训练语言模型进行粗调用于即席文件检索

PIT（预指令调整）方法通过问答配对显著提高大型语言模型的知识吸收能力，性能提升17.8%。

任务引导分离微调方法增强了表示的泛化能力，在自然语言处理方面表现更佳。

coCondenser方法结合了无监督语料级对比损失，减轻了对大规模训练数据的依赖，性能与RocketQA相当。

在低预算设置下，使用预训练语言模型与目标数据集和SQuAD数据集微调的策略优于传统策略，性能提升2.28%至6.48%。

知识感知微调（KnowTuning）方法有效解决了大型语言模型在自然语言处理任务中的知识感知不足问题，展示了良好的泛化能力。

在代码智能任务中，提示调整相较于微调在低资源情况下表现更优。

DPT方法通过文本调整和任务调整共同优化视觉语言模型的预训练和微调目标，显著提高了准确性。

FRPT方法在细粒度图像检索任务上达到了最先进的性能水平，利用鉴别性扰动提示和特征自适应学习少量参数。

半参数学习模式的检索增强提示调优模型在关系提取任务中表现出色，能够在标准监督和少样本场景下实现最先进的性能。