基于鲁棒测试时自适应的视觉语言模型优化方法

本发明涉及一种基于鲁棒测试时自适应的视觉语言模型优化方法，属于人工智能技术领域。该方法解决零样本场景下因提示敏感性和领域适应性不足导致的模型性能下降问题，其中提示微小变动引发分类波动，数据分布偏移削弱跨领域泛化能力。技术方案通过四步闭环实现：初始化提示集成构建多语义文本特征；对未标记测试样本执行多轮非梯度前向传播，基于平均值与方差双重阈值计算鲁棒置信度以筛选高置信样本；管理置信度感知缓冲区，采用类别均衡子存储结构和动态替换策略维持样本分布平衡；利用缓冲区样本进行测试时提示调优，以伪标签监督的交叉熵损失更新参数。