本文介绍了原型提示学习法（PTP）和上下文提示学习框架，旨在提升视觉语言模型在少样本图像识别和弱监督语义分割中的性能。研究表明，这些方法通过优化提示和利用潜在知识，显著提高了模型的泛化能力和适应性。

本文介绍了一种上下文提示学习框架，旨在提升多模态学习中的图像本地化特征对齐能力。通过实验验证，该框架在少样本和特定领域任务中表现优越，尤其在视觉语言模型研究中，提出了广义领域提示学习（GDPL），以减少对大量数据和资源的依赖，促进可持续研究。

本文介绍了一种上下文提示学习框架，旨在提升多模态学习中图像本地化特征的对齐能力。通过在多个数据集上的应用，证明了该框架在性能上优于现有技术。此外，研究探讨了医学图像领域的知识传递，提出了自动生成医学提示的方法，显著提高了零样本性能，为预训练模型间的协同作用提供了新思路。