本论文研究了大型语言模型在二分类任务中学习到的决策边界的特点和影响因素，并探讨了提高泛化能力的方法。通过评估不同方法的有效性，研究结果为改善上下文学习的鲁棒性和泛化能力提供了实用改进。

通过研究决策边界的定性行为，发现大型语言模型在二分类任务中学习到的决策边界通常是不规则且非平滑的。研究了影响决策边界的因素，并探讨了提高泛化能力的方法。

DE-ViT是一种开放集对象检测器，使用DINOv2骨干网络进行学习，通过示例图像学习新的类别。通过二分类任务和新的区域传播技术来提高检测能力，在COCO和LVIS基准测试中超过了SoTA。