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。