尽管软提示微调在调整视觉语言模型以适应下游任务方面表现出色，但在处理分布偏移方面存在局限性，通过属性引导提示微调（Attribute-Guided，ArGue）来解决这个问题
Contributions
- 与直接在类名之前添加软提示的传统方法相比，通过大型语言模型（LLM）生成的原始视觉属性对齐模型，模型在这些属性上表达高置信度意味着其辨别正确类别理由的能力
- 引入属性采样来消除不利属性，只有语义上有意义的属性被保留下来
- 提出负提示，列举类别无关的属性以激活虚假相关性，并鼓励模型相对于这些负特征生成高度正交的概率分布