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。

本文探讨点云分析中的高效迁移学习，通过冻结预训练模型参数，结合动态适配器和提示调整，捕捉重要特征与实例特征的交互。实验显示，该方法在减少95%可训练参数和35%训练GPU存储空间的情况下，性能优于完全微调。

大型语言模型（LLMs）通过多样化的文本数据进行训练，以捕捉语言模式、语法、事实和推理。调整对于专门任务至关重要。微调需要特定的数据集，而提示调整涉及设计特定的提示。安装所需的库。

本文研究了低资源情况下关系抽取系统的三种方案，并创建了包含8个数据集的基准。结果显示，基于提示的调整对低资源关系抽取有帮助，但从跨句子上下文中提取多个关系三元组仍有改善潜力。数据增强和自我训练可以提高性能，但自我训练并不能始终实现低资源关系抽取的进步。

本研究使用提示调整的视觉语言模型改善复合分类器性能。通过约束提示调整，复合模型在对象分类和属性分类数据集上的准确度与最佳基本模型相差不到2.5％，在UTZappos上平均提高了8.45％分类准确率。

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%。