本文探讨对抗训练中准确性与健壮性的权衡，指出现有方法在清晰准确率上通常下降超过10%。提出了一种新方法，通过引入虚拟类缓解这一问题。实验显示，DUCAT方法在CIFAR-10、CIFAR-100和Tiny-ImageNet上提升了准确性和健壮性，显著改善了现有方法的不足。

本文介绍了一种软提示学习方法，用于Vision & Language模型，通过最小化软提示与手工工程提示之间的距离，提高模型性能，并能够训练虚拟类。该方法优于先前的软提示工作，并在大多数测试数据集上匹配和超越手工制作提示和CLIP的新类准确性。