本文介绍了一种名为Low-Rank Adaptation（LoRA）的方法，用于少样本适应学习。通过在11个数据集上展示其潜力，并与其他方法进行对比，结果显示LoRA方法在所有目标任务上都显著提高了性能。作者认为LoRA方法可用于评估少样本Vision-Language Models（VLMs）中的新兴主题进展。

本文提出了一种名为LAMP的方法，利用Vision-Language Models的零样本能力作为预训练工具，生成探索奖励，以获得受语言条件约束的预训练策略。该方法可以在RLBench的机器人操作任务上启动样本效率高的学习。

本文提出了一种名为LAMP的方法，利用Vision-Language Models的零样本能力作为预训练工具，生成探索奖励，以获得受语言条件约束的预训练策略。该方法可以在RLBench的机器人操作任务上启动样本效率高的学习。

本文介绍了一种使用基于学习的奖励函数（LRFs）解决稀疏奖励强化学习（RL）任务的方法。该方法称为LAMP，利用Vision-Language Models (VLMs)的零样本能力作为RL的预训练工具。通过计算语言指令与图像观察之间的对齐，LAMP生成探索奖励。该方法在RLBench的机器人操作任务上具有高的样本效率。