本文评估了Segment Anything Model (SAM)在医学图像分割中的零样本能力，发现其在CT数据上表现良好，但在特定结构性目标上存在局限性。通过适当提示，SAM的性能可显著提高，显示出在医学领域的潜力，并能够通过微调应对复杂挑战，推动医学图像分割技术的发展。

本文介绍了一种名为MP-HOI的多模态人-物交互检测器，能够通过文本描述进行开放世界中的交互检测。研究构建了Magic-HOI数据集和高质量合成数据集SynHOI，以优化检测性能。MP-HOI在多个基准测试中表现优异，具备强大的零样本能力，并在HICO-DET和V-COCO数据集上超越现有方法。

本文介绍了一种基于神经网络的预训练模型PreFeRMAB，具备广泛的零样本能力，能够高效微调并解决多动作问题。研究提出了联邦学习框架，优化在线多代理算法，确保次线性增长，并通过实证验证其在随机数据摘要问题中的有效性。此外，研究还探讨了不安定多臂赌博机问题，提出新算法以最大化敌对奖励，并展示了在拜占庭攻击下的鲁棒性。

本文评估了Segment Anything Model（SAM）在医学图像分割中的表现，发现其零样本能力与现有技术相当，但在特定情况下仍需手动标注以提高准确性。研究表明，SAM在CT数据上表现良好，具有成为半自动分割工具的潜力。

深度学习模型在医学图像分割中应用广泛，Segment Anything Model（SAM）在某些切片表现良好，但整体效果不佳，尤其在特定器官的分割上仍需改进。尽管面临挑战，SAM的零样本能力为半自动分割工具提供了希望，未来有望推动医学影像分析的发展。

本研究探讨了大型语言模型（LLMs）如GPT-4在结构化电子健康记录（EHR）数据中的应用，特别是其零样本能力。实验结果表明，LLMs在关键任务预测中的性能提升约35%。研究强调了LLMs在紧急医疗情况下的潜力，尤其是在缺乏标签数据时。

本文评估了大规模语言模型在超出预定义领域的意图检测任务中的能力。发现LLMs具有强大的零样本和少样本能力，但与使用完整资源进行微调的模型相比仍存在劣势。文章讨论了LLMs面临的挑战，并提出了对未来工作的指导。

本文介绍了一种基于指令调整范式的方法，用于在金融环境中集成开源大型语言模型，为未来金融领域的研究奠定基础。

为了解决深度学习中少样本学习的挑战，研究人员提出了一个利用文本信息和语言模型的框架。该框架通过学习可调的提示来显式地利用预训练的语言模型的零样本能力。实验证明，该框架在少样本数据集上取得了令人印象深刻的结果，1-shot学习任务中的分类准确率平均超过基准方法3.0%。

本文介绍了一种多模态对比训练的神经网络模型CLIP，可同时处理图像和文本，学习它们之间的语义关系。CLIP在图像标注、视觉问答、图像生成等任务中表现出色。文章提供了CLIP的安装和API使用方法，并展示了其零样本能力和Linear-probe评估。

该研究提出了一种基于神经网络的预训练模型，具有广泛的零样本能力，适用于离散或连续状态空间的多动作问题。该模型解决了以往研究中在处理连续状态时需要重新训练等限制，具有理论收敛保证和实证优势。

本文提出了Action Graph结构实现多协调时间动作相关视频生成，AG2Vid模型分离运动和外观特征，经CATER和Something-Something V2数据集训练和评估，生成视频视觉质量和语义一致性更好，具有零样本能力。