近日，TIME实验室2025级博士生李文浩一篇论文“VT-FSL: Bridging Vision and Text with LLMs for Few-Shot Learning” （作者：李文浩，王强昌，孟宪静，吴志宾，尹义龙）被Annual Conference on Neural Information Processing Systems（NeurIPS）2025会议录用。NeurIPS与ICML、ICLR并称“机器学习三大顶会”，属于CCF A类会议。

小样本学习（Few-shot Learning, FSL）旨在使模型仅凭少量标注样本就能识别新概念。目前的方法通过引入额外语义信息（如类别描述）或设计复杂的语义融合模块来提升效果，但仍易遭受“语义幻觉”，即模型生成的语义与视觉证据相矛盾，造成噪声和高昂的修正成本。为此，本研究提出了全新的 VT-FSL 框架，利用大语言模型（LLMs）和支持图像构建精准的跨模态提示，并通过几何感知的对齐机制实现无缝整合。首先跨模态迭代提示（CIP）中，在类别名称和支持图像的条件下，LLM 通过单次系统和结构化的CoT（Chain-of-Thought）推理过程迭代生成精确的类别描述，并支持零样本合成语义一致的图像。这些描述与合成图像作为互补的文本和视觉提示，提供高级类语义和低级别类内多样性以补偿有限的支持数据。此外，跨模态几何对齐（CGA）通过最小化三维超平行体的核化体积，联合对齐文本、支持样本与合成图像的表示，捕捉全局和非线性的关系，从而实现结构化和一致性的多模态整合。该方法在涵盖标准、跨域和细粒度3个不同的FSL场景共10个基准上均实现了最先进的性能。