本文介绍了多种视觉语言模型（VLMs）的微调方法，包括CLIP-Adapter、通用熵优化（UEO）和OrthCR等。这些方法在小样本学习和未知类别识别中表现优异，提升了模型的泛化能力和鲁棒性，适应现实数据分布的挑战。

本研究提出了一种基于粗糙标注的细粒度类别发现方法，结合自对比学习和有监督学习，以降低标记成本并提高聚类准确性。通过动态概念对比学习和自平衡协助对比框架，增强了细粒度类别的发现能力。此外，研究还提出了主动广义类别发现和正则化参数InfoMax方法，显著提升了未知类别的识别性能。实验结果验证了这些方法的有效性。