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。

本研究探讨了大语言模型在推荐系统中的提示选择问题。通过对90个提示和五个数据集的实验，发现根据数据集特征选择提示能显著提高推荐准确性并降低验证数据需求，提出了一种成本高效的探索策略。

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。