本文探讨了多模态视觉-语言模型的优化方法，提出了分布感知提示微调（DAPT）和深度交互式跨模态提示学习（DCP），显著提升了模型的泛化能力和少样本学习性能。此外，研究介绍了Aurora框架和统一提示调整（UPT）方法，在多个视觉任务中表现优异，推动了视觉与语言的有效对齐与融合。

本文介绍了一种基于多模态深度共生的提示微调方法，结合视觉和语言模型，提升了图像识别和泛化能力。提出的动态视觉提示调整框架在多项下游任务中表现优异，超越了传统微调方法，展现出良好的参数效率和适应性。

本文探讨了将外部知识融入语言模型的提示微调方法，以提升视觉-语言模型在评论分类等任务中的性能。研究提出了分布感知提示微调和渐进式多模态条件调整等新方法，显著改善了模型的泛化能力和分类准确性。同时，介绍了双重对齐提示调整和对抗性提示调整技术，增强了模型的鲁棒性和迁移学习效率。

本文综述提示微调（Prompt Tuning）的参数高效方法。SPT通过可学习概率门选择提示层，并用SPT-DARTS双层优化提升性能；软提示的可迁移性取决于神经元激活重叠率；Fast Prompt Tuning节省30%训练算力；SPoT用源任务提示初始化目标任务，减少2.7万倍参数；PPT在预训练阶段加入软提示以改善初始化；LPT将提示插入中间层，训练更快；SPTAR强化密集检索；MPT学习可迁移的共享提示，仅调0.035%参数。

该文综述多项研究：上下文词表示在细粒度任务上仍不足；TF-IDF与上下文嵌入结合可提升36%；提示微调仅用35%-40%数据即达可比效果；CoAT优化提升上下文学习；FoT技术扩展长文本处理能力。

该文综述了Segment Anything Model（SAM）在图像分割中的应用：提出批处理边界框提示微调、少样本语义分割框架、免训练个性化方法PerSAM及单次微调变体PerSAM-F；利用SAM结合CAM生成高质量伪标签以提升弱监督语义分割；评估SAM在眼部、医学及航空图像上的表现，发现其零样本分割可与专用模型媲美，但医学图像精度不及U-Net，需借助掩膜、特征增强现有模型或改进提示策略。