本研究提出了一种名为Biomed-DPT的双模态提示调优技术，旨在提升生物医学图像分类的提示学习效果。通过结合临床提示、领域适应提示和视觉提示中的零向量软提示，该方法显著提高了分类准确率。

本研究提出了一种扩散驱动提示调优（DDPT）方法，旨在解决大规模语言模型在代码生成中对提示质量的依赖问题，从而显著提升提示优化效果。

本研究提出了一种创新方法，将联邦学习与提示调优结合，以提高在非独立同分布和不平衡数据下的全模型调优效率。实验结果表明，该方法在处理数据异质性方面优于现有技术，具有重要的应用价值。

本研究探讨了提示调优中嵌入崩溃现象对模型性能的影响，发现嵌入先验显著影响调优位置，模型能够有效处理不同激活空间的嵌入，且生成轨迹超出模型激活空间，揭示了大规模语言模型的泛化能力。

本研究提出了一种上下文感知提示调优（CPT）方法，以解决少量样本学习中的过拟合问题。CPT结合上下文学习和对抗攻击，优化训练示例的上下文嵌入，显著提升多个分类任务的准确性，展现出良好的应用潜力。

本研究提出了一种基于提示调优的连续预测方法，解决时空图预测模型在数据流环境中的重训练效率低和遗忘问题。通过优化存储提示的使用，提高了模型在交通流量、空气质量等场景中的预测效果和效率。

研究推出了开源框架TuneVLSeg，旨在降低视觉语言分割模型在新领域适应时的调优成本。通过整合多种提示调优技术，发现视觉提示调优在领域迁移中表现出色，超参数需求少，具有初步尝试的潜力。

该研究通过学习视觉提示提升少样本分割效果。方法利用少量样本对多尺度Transformer解码器进行提示，实现准确预测。引入单向因果关注机制连接新旧提示，提升新提示质量。在COCO-$20^i$和Pascal-$5^i$数据集上表现优异，无需测试时间优化，并使用未标记数据进行提示调优。

本文研究了推荐系统中用户多样化行为的隐含语义关系，提出了DPCPL，首次为多行为序列推荐设计的预训练和提示调优范式。该方法通过引入高效的行为挖掘器过滤噪声，并采用定制化提示学习模块进行高效调优，实验结果证明其在多个数据集上显示出高效性和优越的推荐性能。

本研究提出了多表现指导的提示调优（MePT）方法，解决了现有方法只能将图像映射到单一表现的问题。实验证明，MePT提高了模型的泛化能力。