本研究提出了一种动态提示干扰（DPC）方法，旨在改善复杂推理任务中的提示调整（PT）效果。DPC通过动态调整软提示，显著提高了推理任务的正确率，展示了提升大型语言模型复杂推理能力的潜力。

本文介绍了一种测试时提示调整（TPT）方法，旨在优化CLIP模型的提示，从而提升模型的泛化能力和准确率。实验结果表明，TPT在自然情况下的零样本准确率提高了3.6%。此外，提出了Prompt-Adapter和POLE策略，结合视觉-语言模型和提示学习，增强了模型在少样本和弱监督任务中的表现，并通过上下文提示学习进一步提高了视觉识别任务的效果。

本文介绍了多种自然语言处理和深度学习框架，如PPT、IPT和SPT，强调通过预训练和提示调整来提升模型性能。研究表明，适当的提示微调和多任务训练能显著提高准确性，尤其在fMRI数据分析中表现突出。这些方法在不同任务中展现了良好的迁移学习能力和可解释性。

本研究探讨了不同平衡策略对长尾识别的影响，发现简单的实例平衡抽样能有效提升分类器性能。提出的多阶段训练方案和提示调整方法在长尾分类中表现优异，尤其在多个数据集上取得了先进结果。此外，研究构建了统一框架，结合文本和图像，显著提高了小类别的识别能力。

本文介绍了多种视觉-语言模型的适应性提示调整方法，包括测试时提示调整（TPT）、原型提示学习法（PTP）和自监督上下文学习（SINC），旨在提高模型的泛化能力和准确性，尤其在少样本情况下。研究表明，自增强提示调整（SEP）和稳健均值漂移（MTA）等新技术在多项任务中表现优越，显著提升了模型在真实场景中的适应性和效率。

该研究探讨了如何利用预训练视觉-语言模型和提示调整技术提高深度伪造检测的准确性。实验结果表明，保留视觉和文本部分至关重要，且使用较少训练数据的轻量级策略显著提升了检测效果。此外，研究提出了卷积提示机制和自适应提示适配框架，以应对虚假新闻和图像生成的挑战。

本研究提出了多种提示调整方法（如APT、IPT、LPT等），旨在提高视觉语言预训练模型的迁移学习效率，降低计算复杂度。这些方法通过优化提示信息的使用，在视频行为识别等任务中显著提升了性能，减少了训练时间和资源消耗，同时关注隐私保护。

本文介绍了多种提示调整技术，如Fast Prompt Tuning、统一的Prompt Tuning框架、CP-Tuning和FRPT，旨在提升预训练语言模型的训练效率和性能。研究表明，软提示的迁移性与神经元激活重叠率相关，测试时间提示调整方法能有效提高模型的校准能力和泛化能力。这些技术在文本分类和图像检索等任务中表现优异。

本文介绍了多种提示调整方法，如XPrompt、MPT和SPT，通过优化提示和参数微调，提升自然语言处理任务的性能。这些方法在不同数据集上表现优异，尤其在低资源语言和跨语言传递中具有显著优势。

本文介绍了SUPMER、MetaPrompter和MetaPrompting等基于元学习和提示调整的模型，旨在提升few-shot学习和零样本分类的性能。这些方法在多个任务上显著提高了模型的适应性和准确性，尤其在视觉语言预训练模型的微调中表现优异。

该文综述CLIP在持续学习中的表现：冻结模型的零样本评估在类增量、域增量等五类基准上多优于现有方法，且简单提示模板即可影响性能。后续研究提出多级交互训练轻量CLIP、跨语言参数高效迁移、NLLB-CLIP多语言图像检索、CLIP-benchmark评估、适配器与提示调整、LaCLIP语言重写、CLIPTrans跨模态对齐及VT-CLIP视觉引导文本等方法。

本文综述多模态大模型持续指令调整中的灾难性遗忘问题：持续微调会导致遗忘，多任务联合指令调整可缓解，任务相似性正则化与模型扩展效果良好；关键查询提示、连续提示调整、PROOF模型、多任务提示调整等方法可提升持续学习性能并减少遗忘，但多模态指令数据需求与响应真实性问题仍待解决。

该文汇总多项大语言模型高效适配研究：通过指令调整提升推理效率并保持生成质量；提出LoFT提高黑盒攻击迁移性；用小型白盒模型结合黑盒模型微调提升翻译性能；黑盒优化任务提示；轻量Probing预测调优表现；Decoder Tuning仅需一次API查询且加速千倍；ProMoT两阶段框架保留上下文学习能力；LMaaS场景少样本学习方案；轻量扰动机制兼顾隐私与实用性；以及依赖输入的提示调整等方法。

本文提出了一种名为SLPT的框架，用于使用深度学习进行医学图像分析。该框架通过选择性标记和提示调整相结合，提高有限标签下的性能。通过仅使用有限标记数据对预训练模型参数进行更新，同时保持模型不变。该框架包括特征感知提示更新器和基于提示的无监督多样性选择和有监督选择。在肝肿瘤分割任务中，该方法仅使用了可调参数的6%，标记了5%的数据即可达到全数据性能的94%。