本文介绍了多种基于Transformer的语义分割方法，如SETR、Segmenter、CyCTR、TRFS和SeMask等。这些方法通过不同的解码器和增强模块，提升了在多个数据集上的分割性能，尤其在Few-Shot Learning和开放词汇任务中表现突出。最新的SED模型通过分层结构和类别早期拒绝机制，实现了高效的像素级分割。

OpenAI推出了GPT-4o等模型的微调工具，用于训练获得更好的输出结果。该工具目前仅限于API平台第4-5级开发者，后续将向更多开发者开放。开发者可以免费使用200万tokens进行训练微调，超出部分将按照API进行收费。微调工具支持多种模型，改善模型输出结果质量，提升few-shot-learning效果。

本文介绍了一种新的度量学习结构，通过Few-Shot Learning生成先验知识，减少假设空间。然后通过离线知识蒸馏方案指导学生模型的决策边界，提高一般化能力。在CIFAR10数据集上取得了40%的改进。

深度学习在数据和计算资源需求上的局限性使其在许多数据受限的实际应用中不实用。Few-Shot Learning（FSL）通过快速适应新学习任务来解决这些限制，并在最近几年取得显著增长。本综述提供了对该领域最新进展的全面概述，包括FSL的定义、与不同学习领域的关系、新分类法和实际应用。最后，讨论了该领域的趋势、挑战和未来研究方向。

该研究提出了一种名为UPT的方法，通过学习微小的神经网络来联合优化跨不同模态的提示，取得了较好的few-shot learning和domain generalization的效果。在11个视觉数据集上进行了测试。

该研究提出了一种名为UPT的方法，通过学习微小的神经网络来联合优化跨不同模态的提示，取得了较好的few-shot learning和domain generalization的效果。在11个视觉数据集上进行了测试。

本文介绍了一种灵活的促进方法——Models-Vote Prompting (MVP)，用于提高在Few-Shot Learning (FSL)环境中LLM查询的性能。研究人员通过使用MVP，在一次性罕见疾病的识别和分类任务上取得了比单个模型更好的结果。他们还发布了一个新颖的罕见疾病数据集，用于FSL，并通过评估使用JSON自动化生成性LLM评估的可行性来解决手动注释所需的时间问题。