本研究提出了一种基于检索增强生成的文本到语音合成框架，强调提示选择的重要性，能够动态调整语言风格，实现更自然的交流。

本研究解决了大语言模型推荐系统中提示选择指导不足的问题。通过450次实验，提出了一种基于数据集特征的提示选择方法，发现合适的提示选择对推荐准确性至关重要，同时降低了验证数据需求和探索成本。

我们提出了一种新方法，利用大型语言模型的推理能力，通过生成和优化提示来预测会话中的下一个项目。提示选择模块能快速选择最佳提示，提高模型识别用户意图的准确性。实验表明，该方法在三个真实数据集上表现优异，显著提升ISR系统效果。

通过使用预训练模型在大规模图像-文本对上，推动了医学领域零样本学习的进展。引入了交叉注意力对齐方法（CARZero），用于放射学零样本分类。CARZero利用交叉注意力机制处理图像和报告特征，创建更准确的医学语义相似性表示。同时，CARZero采用基于大型语言模型的提示对齐策略，纳入零样本学习中的关键提示选择。在五个官方胸部透视诊断测试集上展示了最先进的零样本分类性能。