本研究通过PEFT方法和QLORA技术，成功实现了对LLMs个性特征的操控，模型能够自发生成表情符号，展现了方法的优越性。

本文研究了参数高效微调方法和少样本自然语言生成，提出了一种超越传统方法且在训练成本上没有明显增加的方法。通过中间实验证明了该方法在少样本场景中的卓越可迁移性，为数据不充足和计算有限的情况提供了解决方案。综合比较了多种参数高效微调方法，揭示了在少样本自然语言生成任务中某些方法在挑战性数据集上可能存在困难。

本文介绍了Conv-LoRA，一种参数高效微调方法，将超轻量级的卷积参数集成到LoRA中，加强了SAM的局部先验假设，并在实验中展现了在语义分割任务中适应SAM的优势。

本文研究了参数高效微调方法和少样本自然语言生成，提出了一种超越传统方法且训练成本不增加的方法。通过中间实验证明了该方法在少样本场景中的卓越可迁移性，为数据不充足和计算有限的情况提供了解决方案。

DePT是一种新的参数高效微调方法，通过将软提示分解为较短的软提示和一对低秩矩阵并使用两个不同的学习率进行优化。在23个自然语言处理和视觉语言任务上的实验表明，DePT在某些情况下优于最先进的参数高效微调方法，包括完全微调基线。此外，DePT在模型规模增大时更加高效，并且适用于少样本学习设置和各种模型架构和规模。