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。

大型语言模型（LLM）是基于深度学习的机器学习模型，能够理解和生成类似人类的文本。其主要应用包括聊天机器人、内容生成和翻译。LLM的调优分为微调和提示调优，微调通过特定数据集进一步训练模型，而提示调优则通过设计特定提示来引导模型生成所需输出，从而提升在特定任务中的表现。

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。

该研究探讨了通过优化语言模型提示和降低困惑度来提升零-shot学习性能。提出了多级提示调优方法，结合任务和上下文相关提示，显著提高了机器阅读理解能力。同时引入了新度量标准“prompt flatness”，在分类任务中提升了准确性和相关性。研究还评估了基于提示的文本难度，展示了大型语言模型在教育应用中的潜力。

该文综述视觉-语言模型对抗鲁棒性研究，涵盖多种方法：AdvPT提升图像编码器鲁棒性；文本增强实现CLIP免重训稳健增强；MVP通过改进输入提升对抗稳健性；Approximated Prompt Tuning降低计算复杂度；提示对抗攻击与训练；视觉提示适应下游任务；评估开源模型脆弱性；发现提示调整可抗标签噪声；多尺度特征提示应对分布偏移。

本文综述大语言模型与图神经网络结合的研究进展，涵盖文本属性图节点分类、知识蒸馏、图拓扑优化及提示调优等方法，实验表明这些方法在多个基准上提升了性能与可解释性。

该文综述视觉语言模型的参数高效微调方法，涵盖黑盒优化、提示调优、适配器与多任务学习等方向。研究利用大语言模型自动搜索文本提示，在少样本图像分类中提升性能；提出合作式黑盒调整、VeCAF、CRaSh、跨模态提示调优、CP-Tuning、SoftCPT、CoPrompt 等方法，在多个下游基准上显著改进，并兼顾隐私与泛化能力。

该文综述基于预训练Transformer与提示/适配器的持续学习研究：采用Adapters增量训练避免灾难性遗忘；连续提示调优实现知识迁移；Prompt-DT支持离线强化学习少样本适应；L2P动态管理提示以保留任务知识；注意力关键查询缓解过度遗忘；Progressive Prompts提升连续学习准确率；RMDT引入递归记忆；S-Prompting减少领域增量学习中的遗忘；HDT利用超网络适配新任务；动态特殊标记扩展解码器以适应任务分布。

该文综述了CLIP视觉-语言预训练模型的多种改进方法：MAFT通过掩码感知微调缓解零样本分割的虚假阳性；RoCLIP用随机示例对比断开损坏图文对关联以提升鲁棒性；少样本微调在分布转变下优于纯视觉模型；零样本异常检测利用文本提示与价值关注机制定位异常；Tip-Adapter以键值缓存构建免训练适配器，高效提升少样本能力；此外还涉及对抗性微调、AdvCLIP对抗样本、AdvPT提示调优、APE自适应先验精细化及WiSE-FT权重平均等提升鲁棒性与性能的方法。