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。