本研究提出了一种标签空间简化（LSR）方法，旨在提升大型语言模型在零-shot分类中的表现。LSR通过对候选类进行排名和减少，使模型更专注于相关选项，实验证明宏观F1得分提高了7.0%。

本研究提出了一种新方法，通过掩码语言建模头使BERT等编码器模型能够进行生成分类。该方法在零-shot分类和知识任务上表现优越，具有广泛应用潜力。

本研究提出SenCLIP，通过将Sentinel-2卫星图像与地面照片配对，提升了土地利用和覆盖的零-shot分类准确性。该方法利用视觉语言模型，解决了卫星图像训练数据不足的问题，拓展了自由文本描述的应用潜力。

本研究提出了一种创新方法，通过多轮人类注释改善图像描述，解决了对图像的过度依赖和元数据透明度不足的问题。结果表明，该方法生成的描述更为丰富，提升了文本到图像生成和零-shot图像分类的效果。