本研究提出了CiteBART模型，旨在解决科研写作中的引用生成问题，特别是引用价值判断和本地推荐。该模型在Refseer和ArXiv等基准测试中表现优异，展现了其零样本能力。

本研究探讨了大型语言模型（如GPT-4）在结构化电子健康记录（EHR）数据中的适应性，特别是其零样本能力。实验结果显示，LLMs在关键任务预测中的性能提高约35%，超越传统机器学习模型，展现了在临床决策中的潜力。

本研究提出了GALLM模型，通过模板和文本匹配任务解决大型语言模型在图数据处理中的不对齐问题，提升了监督学习和零样本能力，为图模型发展提供新方向。

该研究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，但相比使用完整资源进行微调的模型仍有劣势。未来工作的指导包括注入领域知识、加强知识转移和理解长指令。

我们开发了一种名为MP-HOI的多模态基于提示的HOI检测器，能够利用文本描述进行开集通用化，并通过处理描述中的高歧义，实现对开放世界中的HOI的检测。MP-HOI通过统一的对比损失将HOI任务优化为多模态提示和对象/交互之间的相似度学习过程，以学习可推广和可传递的对象/交互表示。MP-HOI词汇量超过现有专家模型的30倍以上，具有卓越的零样本能力，并在各种基准测试中达到新的最先进性能。

我们开发了一种名为MP-HOI的多模态基于提示的HOI检测器，能够利用文本描述进行开集通用化，并通过处理描述中的高歧义，实现对开放世界中的HOI的检测。MP-HOI通过统一的对比损失将HOI任务优化为多模态提示和对象/交互之间的相似度学习过程，以学习可推广和可传递的对象/交互表示。MP-HOI词汇量超过现有专家模型的30倍以上。在真实世界的场景中，MP-HOI表现出卓越的零样本能力，并在各种基准测试中达到新的最先进性能。

新兴的多模态模型展示了零样本能力，但共享嵌入空间可能带来弱点。研究通过对抗性攻击将可区分文本的嵌入与任意图像对齐，揭示了语义不相关的图像可以拥有相同文本的嵌入。技术在多个来源的文本数据集和图像上成功率达到100%。

研究人员通过使用机器生成的指令和多模态模型的支持，改进了大型模型的零样本能力。他们构建了一个新的多模态指令跟随数据集，并使用了多种预训练模型的微调策略。模型在视觉理解任务上表现出与其他模型相当的能力，并为构建先进的通用视觉助手铺平了道路。研究人员还公开了数据集、代码库和模型检查点。

我们开发了一种名为MP-HOI的多模态基于提示的HOI检测器，能够利用文本描述进行开集通用化，并通过处理描述中的高歧义，实现对开放世界中的HOI的检测。MP-HOI通过统一的对比损失将HOI任务优化为多模态提示和对象/交互之间的相似度学习过程，以学习可推广和可传递的对象/交互表示。MP-HOI可以作为HOI检测器的通用模型，词汇量超过现有专家模型的30倍以上。同时，MP-HOI在真实世界的场景中表现出卓越的零样本能力，并在各种基准测试中始终达到新的最先进性能。

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简单而有效的框架，利用文本信息和语言模型来显式地利用预训练的语言模型的零样本能力，并通过自集成和蒸馏来增强这些组件。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。

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简单而有效的框架，利用文本信息和语言模型来显式地利用预训练的语言模型的零样本能力，并通过自集成和蒸馏来增强组件。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。

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。