大规模视觉语言模型（VLMs）在自然视觉任务中表现出色，推动跨领域的研究者探索特定领域的 VLMs。广义领域提示学习（GDPL）框架解决了学术界对 VLMs 研究受限的问题。GDPL 通过小规模的特定领域基础模型和最少的提示样本，使 VLMs 的识别能力从自然视觉转移到特定领域，无需大量数据或资源。实验证明了 GDPL 的有效性，并展示了在提示学习范式下实现最先进的领域识别性能的能力。

大规模视觉语言模型（VLMs）在自然视觉任务中表现出色，推动跨领域的研究者探索特定领域的 VLMs。广义领域提示学习（GDPL）框架解决了学术界对 VLMs 研究的挑战。GDPL 通过小规模的特定领域基础模型和最少的提示样本，使 VLMs 的强大识别能力从自然视觉转移到特定领域，无需大量数据或资源。实验证明了 GDPL 的有效性，并展示了在提示学习范式下实现最先进的领域识别性能的能力。

大规模视觉语言模型（VLMs）在自然视觉任务中表现出色，推动跨领域的研究者探索特定领域的 VLMs。广义领域提示学习（GDPL）框架解决了学术界对 VLMs 研究受限的问题。通过小规模的特定领域基础模型和最少的提示样本，GDPL 实现了 VLMs 在特定领域的强大识别能力转移。实验证明了 GDPL 的有效性，并展示了在提示学习范式下实现最先进的领域识别性能的能力。

大规模视觉语言模型（VLMs）在自然视觉任务中表现出色，推动跨领域的研究者探索特定领域的 VLMs。广义领域提示学习（GDPL）框架通过小规模的特定领域基础模型和最少的提示样本，使 VLMs 的强大识别能力从自然视觉转移到特定领域，无需大量数据或资源。实验证明 GDPL 在不同领域的有效性，并展示了在提示学习范式下实现最先进的领域识别性能的能力。

大规模视觉语言模型（VLMs）在自然视觉任务中表现出色，推动跨领域的研究者探索特定领域的 VLMs。广义领域提示学习（GDPL）框架解决了学术界对 VLMs 研究受限的问题。通过小规模的特定领域基础模型和最少的提示样本，GDPL 实现了 VLMs 在特定领域的强大识别能力转移，无需大量数据或资源。实验证明了 GDPL 的有效性，并展示了在提示学习范式下实现最先进的领域识别性能的能力。