本文提出了广义领域提示学习（GDPL）框架，旨在通过小规模特定领域模型和最少提示样本，提升视觉语言模型（VLMs）的识别能力，解决构建特定领域VLMs时的数据和资源限制。GDPL通过四元网络和低秩自适应方法，展示了在多个领域的有效性，推动了可持续的VLMs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。

本文探讨了通过编程提示结构和广义领域提示学习（GDPL）框架，提升视觉语言模型（VLMs）在特定领域的应用。GDPL利用小规模基础模型和少量提示样本，减少对大量数据和资源的依赖，促进可持续的VLMs研究。实验结果显示，该框架在多个领域的任务中表现优异，推动了学术界与工业界的合作。