本研究提出了一种协同框架，将专业弱模型与通用强模型结合，以解决大语言模型在特定领域知识不足的问题。实验结果显示，该方法显著提升了模型在关键任务中的表现。

本研究提出了一种快速方法，通过结合相邻标记嵌入来优化预训练的静态词嵌入，有效解决词汇缺失问题，增强特定领域应用的多样性，并改善风暴相关术语的表示效果。

本文提出了一种新方法HiRAG，旨在提升检索增强生成（RAG）方法在层次知识利用方面的不足。实验结果表明，HiRAG在性能上显著优于现有方法，展现了在特定领域任务中的潜力。

本研究提出了一种迭代的逐步验证系统，克服了传统自动化事实验证在医疗领域的不足。评估结果表明，该系统在验证医疗声明时显著提升了性能，显示出在特定领域的高潜力。

该研究提出了一种无监督的词义消歧系统TreeMatch，结合特定领域知识库和依赖知识，显著提高了消歧精度，测试结果优于基线。

本研究提出了一种新的聚合与适应提示嵌入（AAPE），旨在解决CLIP模型在特定领域分类中的泛化能力不足问题，能够在有限数据下有效适应下游任务。

本研究提出集成超级上下文学习（Ensemble SuperICL），通过结合多个微调的小型语言模型，提升大语言模型在特定领域任务中的表现，尤其在医学标签任务中取得了显著成果。

大型语言模型在知识密集任务中表现出色，但其知识泛化能力不明确。KGQuiz评估框架涵盖五个任务和三个领域，实验显示LLMs在简单问答中表现良好，但在复杂推理和特定领域中有挑战。KGQuiz用于分析不同领域和任务的性能变化，以提升LLMs的知识能力。

大规模视觉语言模型（VLMs）在自然视觉任务中表现出色，推动跨领域的研究者探索特定领域的 VLMs。广义领域提示学习（GDPL）框架解决了学术界对 VLMs 研究受限的问题。GDPL 通过小规模的特定领域基础模型和最少的提示样本，使 VLMs 的识别能力从自然视觉转移到特定领域，无需大量数据或资源。实验证明了 GDPL 的有效性，并展示了在提示学习范式下实现最先进的领域识别性能的能力。

大规模视觉语言模型（VLMs）在自然视觉任务中表现出色，推动跨领域的研究者探索特定领域的 VLMs。广义领域提示学习（GDPL）框架解决了学术界对 VLMs 研究的挑战。GDPL 通过小规模的特定领域基础模型和最少的提示样本，使 VLMs 的强大识别能力从自然视觉转移到特定领域，无需大量数据或资源。实验证明了 GDPL 的有效性，并展示了在提示学习范式下实现最先进的领域识别性能的能力。

大规模视觉语言模型（VLMs）在自然视觉任务中表现出色，推动跨领域的研究者探索特定领域的 VLMs。广义领域提示学习（GDPL）框架通过小规模的特定领域基础模型和最少的提示样本，使 VLMs 的强大识别能力从自然视觉转移到特定领域，无需大量数据或资源。实验证明 GDPL 在不同领域的有效性，并展示了在提示学习范式下实现最先进的领域识别性能的能力。