本研究通过引入Prompt Learning和双提示机制，优化遥感数据模型训练，降低通信成本。实验结果表明，FedRSCLIP在图像分类中表现优异，具备全球知识共享和客户端适应能力。

本研究探讨了小语言模型和prompt-learning在零样本和少样本场景中的潜力。结果显示，T5-base模型在少样本设置下的准确性约为75%。集成策略对性能提升有效，FLAN-T5-large模型使用优化的提示可提高准确性近13%。研究发现小语言模型进行prompt-learning的潜力，以及主动少样本抽样和集成策略的好处。提示工程在零样本设置中也很重要。

本研究探讨了小语言模型和prompt-learning在零售业中客户-代理商互动的文本分类中的潜力。结果显示，T5-base模型在少样本设置下的准确性约为75%。FLAN-T5-large模型在使用优化的提示时准确性提升了近13%。这些发现强调了小语言模型和prompt-learning的潜力，以及主动少样本抽样和集成策略的好处，以及零样本设置中提示工程的重要性。

本研究探讨了小语言模型与prompt-learning的结合在零样本和少样本场景下对零售业中客户-代理商互动的文本分类的潜力。结果显示，T5-base模型在少样本设置下的准确性约为75%。优化的提示可以显著提升模型准确性。研究强调了小语言模型进行prompt-learning的潜力，以及主动少样本抽样和集成策略的好处。

本研究探讨了小语言模型与prompt-learning的结合在零样本和少样本场景下针对零售业中客户-代理商互动的领域特定文本分类的潜力。结果显示，220M参数的T5-base可以在有限的标记数据上实现约75%的准确性，强调了小语言模型与prompt-learning的巨大潜力。同时，强调了主动少样本抽样和集成策略在少样本设置中的好处，并强调了零样本设置中提示工程的重要性。

本研究探讨了小语言模型与prompt-learning的结合在零样本和少样本场景下针对零售业中客户-代理商互动的领域特定文本分类的潜力。评估结果显示，T5-base小语言模型可以在有限的标记数据上实现约75%的准确性，强调了小语言模型与prompt-learning的巨大潜力。同时，强调了主动少样本抽样和集成策略在少样本设置中的好处，并强调了零样本设置中提示工程的重要性。

大模型通过统计学习对语言规律建模，具备语言预测生成能力。影响使用大模型的技术因素包括prompt learning、思维链和控制输入长度。