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。

本文综述行为克隆与模仿学习研究，采用潜空间搜索、生成式反向动力学、语言条件语义搜索、关键帧强化等方法，提升机器人控制与视觉运动技能学习效率，增强适应性和零样本能力，并在CALVIN、MineRL等基准及实际任务中验证优于基线。

多项研究表明：指令微调可提升大语言模型零样本能力，但处理陌生指令时性能下降；少量多样样本即可取得良好效果。在心理健康预测中，微调模型Mental-Alpaca显著优于GPT-3.5，但指令调整可能削弱心理语言学预测能力。医学NLP任务中零样本表现接近先进水平，分类和关系抽取仍较弱。

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。