GrIPS是一种无梯度搜索方法，能够有效提升大型语言模型在分类任务中的表现。研究提出了多种基于Prompt Tuning的技术，如Instance-wise Prompt Tuning和Promptagator，显著提高了检索性能和泛化能力。此外，ControlRetriever和INTER数据集的引入进一步增强了模型在信息检索任务中的能力。

本文探讨了不同微调方法对大型语言模型（LLMs）泛化能力的影响。研究表明，prompt-tuning 在自然语言理解任务中优于 fine-tuning，尤其在处理细粒度概念时表现更佳。此外，提出了预细调方法，通过多任务学习提升模型性能和样本效率。

FedPrompt是一种结合prompt tuning和联邦学习的新方法，可提高FL方法的效率并保护数据隐私。该方法使用模型拆解聚合的方式，减小了通信成本，同时在IID和Non-IID数据分布上保证准确性，并在实验中证明了其可靠性。

FedPrompt是一种结合了prompt tuning和federated learning的新方法，以提高FL方法的效率并保护数据隐私。该方法使用模型拆解聚合的方式来使用prompt tuning，减小了通信成本，同时在IID和Non-IID数据分布上保证准确性，并在实验中证明了其可靠性。

本文介绍了Prompt Tuning参数微调方法，比较了T5和RoBERTa模型的对抗鲁棒性。研究发现，对特定任务进行微调的提示可以迁移到相同类型的任务，但对于对抗性数据的鲁棒性较低，其中T5的鲁棒性高于RoBERTa。同时，T5中确定的技能神经元对对抗性数据具有预测性，而RoBERTa则不然。研究得出结论，对抗性鲁棒性可能与模型在对抗性数据上激活相关技能神经元的能力有关。

该论文提出了DPT作为针对区分性PLMs的prompt tuning框架，实验表明DPT在全集和低资源环境下都能显著提高性能，并解决了调整大型PLMs中的不稳定问题。