本文提出了一种参数高效微调（PEFT）框架，通过多任务迁移学习和适配器技术，显著提升了模型在新情境下的分割性能。研究表明，该方法在仅使用约1K额外参数的情况下，能够有效利用多任务知识，优化模型性能，尤其在医学图像分析和多模态任务中表现优异。

本文探讨了通过双重知识图和适配器技术提升视觉-语言模型（VLMs）在少量数据条件下的性能。研究提出了一种自适应集成方法，有效结合通用知识与任务特定知识，显著提高分类器效果。同时，介绍了选择性双教师知识迁移框架，解决知识遗忘问题，保持零样本能力。最终，DU-VLG框架在视觉和语言生成任务中表现优异。