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。

本文提出了广义领域提示学习（GDPL）框架，旨在通过小规模特定领域模型和最少提示样本，提升视觉语言模型（VLMs）的识别能力，解决构建特定领域VLMs时的数据和资源限制。GDPL通过四元网络和低秩自适应方法，展示了在多个领域的有效性，推动了可持续的VLMs研究。