总结zhu老师观点

Efficient

1.这篇论文是真的好orz，总结了目前的视频类模型
修改周边的一些参数，来训练，不改基础的模型（太大了。。。没资源没卡）

引申：

1. prompt 是你想模型干什么你就给提示（简单来说）
2. 什么是tuning呢？ 就是调可能更好 （设计不同效果不一样）
   hard prompt：固定的
   COOP：soft prompt 自己学
3. PEFT

5. mixgen——这篇论文 一个模块 几个任务有涨点就行。

怎么利用好大的模型，这样即使大模型不断发展也关我们没什么事情，因为设计的module 是模型无关的。但是任务要新，没什么人做

参考了b站用户CNcreator的评论：我太懒了直接copy了= =
1.Efficient PEFT 参数的有效使用

2. New directions

3.plug and play 做一些通用的模块，能够广泛引用到一些方向中去 目标函数 loss data argumentation 可以应用到各种领域 选很多的baseline 公平对比说明有效性

4.写数据集，分析为主的文章或者综述论文

Fewshot,zeroshot，或者最多就是Fine Tuning的实验，再加上比较新的topic.比如

Causality Learning 因果学习
Feedforward network FFNet
Language In-context learning
Chain of thought prompting(cot)