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。