本文提出了噪声-意义递归自我改进（N2M-RSI）模型，旨在解决AI代理输出作为输入后内部复杂性无界增长的问题。该模型结合了自我提示大语言模型与自动机器学习的理念，研究表明实例间的通信可能产生超线性效应。

本研究探讨了机器生成提示对语言模型（LMs）响应的影响，分析了不同类型LM的提示特征。研究发现，自我提示的最后一个令牌易于理解，显著影响生成结果，为理解LM的工作机制及其潜在负面用途提供了新见解。

本文提出了一种针对医学视觉应用的自我提示方法，优化了Segment Anything Model（SAM）的性能。通过新的提示优化技术和微调方法，研究在多个数据集上显著提升了分割效果，尤其在少样本情况下表现优异，减少了对专家提示的依赖，提高了模型的适用性和分割质量。

通过自我提示的新视角，利用SAM的嵌入空间，在医学视觉应用中取得了竞争性的结果，改进超过15%。