本研究提出了FedRSClip框架，旨在解决遥感数据在多个机构间的分布问题。通过引入Prompt Learning和双提示机制，优化模型训练并降低通信成本。实验结果表明，该框架在遥感图像分类中表现优越，具备全球知识共享和客户端特定适应能力。

本文介绍了一种结合prompt learning和GPT-4的few-shot弱监督学习方法，用于病理全幻灯片图像分类。提出的MI-Zero框架和CONCH模型在组织病理学图像任务中表现优异，无需额外标签。同时，研究提出的CPLIP技术通过无监督学习增强图像与文本的对齐，显著提升了分类和分割任务的性能。这些方法在医学图像分析中展现了强大的潜力和可解释性。

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。