本文介绍了一种利用预训练视觉-语言模型进行进一步调整的方法，使其能够适应新任务而不仅仅是零样本学习。通过在预训练的CLIP模型上增加附加层，并对线性适配器、自注意适配器以及修改CLIP文本编码器输入的提示调整进行研究，实验证明最简单的解决方案获得了最佳结果。这种方法显著改进了现有技术水平。

该研究提出了一种利用预训练视觉-语言模型进行进一步调整的方法，以适应新任务。通过在预训练的CLIP模型上增加附加层，实验证明最简单的解决方案获得了最佳结果。该方法显著改进了现有技术水平。