本研究探讨了SAM系列模型在CT扫描骨骼分割中的零-shot能力，分析了不同提示策略对医学图像分割的优化影响。结果显示，最佳提示设置依赖于模型类型和数据集特征，并提供了指导原则以支持决策。

本文提出了一种联合语音与语言模型（SLM），通过冻结预训练基础模型，仅训练简单适配器，提升语音识别和翻译性能。SLM展现出强大的零-shot能力，支持多样化任务，训练高效，能够弥合预训练模型间的表征差距。

本文研究了使用SAM零-shot能力增强医学图像分割的潜力，并提出了自适应提示形式优化框架TEPO来解决SAM脆弱性问题，并通过强化学习进一步提高SAM在MIS上的零-shot能力。实验表明，学习到的TEPO代理可以增强SAM在MIS上的零-shot能力。

本文研究了使用SAM零-shot能力增强医学图像分割的潜力，并提出了一种自适应提示形式优化框架TEPO来解决SAM脆弱性问题，并通过强化学习进一步提高SAM在MIS上的零-shot能力。实验表明，学习到的TEPO代理可以进一步增强SAM在MIS上的零-shot能力。