本文介绍了视觉提示调整（VPT）及其变体，强调其在大规模Transformer模型调整中的高效性。VPT通过引入少量可训练参数，提升了模型在图像分类和密集预测任务中的表现，优于传统的微调方法。研究还探讨了VPT在不同任务和数据集上的应用，展示了其在性能和存储成本上的优势。

本文提出了一种改进的视觉提示调整方法（VPT），通过优化预训练模型在下游任务中的表现，显著提升了自我监督预训练的适应性。动态视觉提示调整（DVPT）为每个图像生成实例级标记，提升了识别任务的性能。同时，提示凝聚技术有效减少了提示数量，保持了模型的准确度。整体上，VPT方法在多个基准测试中优于传统微调方法。