本文介绍了一种多任务视觉语言提示调整（MVLPT）方法，结合知识感知提示调整（KAPT）和双重对齐提示调整（DuAl-PT），在少样本图像分类和新类别泛化方面表现优异。研究还提出了分层提示调整和概念引导提示学习，显著提升了模型的泛化能力，并揭示了提示工程领域的挑战与机遇。

本文探讨了知识感知提示调整（KAPT）框架在少样本图像分类中的有效性，提出多种提示方法以增强视觉-语言模型的性能。研究表明，KAPT在新类别上优于现有方法，并通过知识提示和无监督任务提升了自然语言理解能力。此外，上下文提示学习框架和知识蒸馏提示学习方法显著提高了模型在多模态学习和零样本泛化中的表现。

本文介绍了一种针对视觉-语言模型的知识感知提示调整（KAPT）框架，通过设计两种类型的知识感知提示和适应头部，实现在少样本图像分类中的有效性和对未见类别的泛化能力。与最先进的方法相比，KAPT 在新类别中获得了显著的性能提升。