arXiv new; ECCV main; VLM prompt learning optimizer · P1 · 2026-07-09

SAMPLe：它和通用视觉自监督的关系在于：不是 SSL 目标，但直接影响 CLIP/VLM prompt tuning 的泛化，且 comments 标注 ECCV 主会

中高相关；详见方法、贡献和实验边界。

SAMPLe: SAM-based Optimizer for Prompt Learning in VLMs　arXiv new; ECCV main; VLM prompt learning optimizer　原文链接

编号2607.05727 优先级P1 类别arXiv new; ECCV main; VLM prompt learning optimizer 会议arXiv new; ECCV main; VLM prompt learning optimizer 方法不是 SSL 目标，但直接影响 CLIP/VLM prompt tuning 的泛化，且 comments 标注 ECCV 主会来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：不是 SSL 目标，但直接影响 CLIP/VLM prompt tuning 的泛化，且 comments 标注 ECCV 主会。中高相关；详见方法、贡献和实验边界。

**Figureure 4 · : Gradient decomposition .**Fig. 4: Gradient decomposition .这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 SAMPLe 的方法或实验，请结合正文精读段落一起看。

**Figureure 2 · : SAMPLe vs**Fig. 2: SAMPLe vs. vanilla SAM: Unlike SAM, which applies uniform gradient updates, SAMPLe dynamically adjusts gradients across stages, promoting smoother optimization in early stages and robust convergence in later stages, resulting in improved generalization and performance.这张图/表用于判断 SAMPLe 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

核心问题

它和通用视觉自监督的关系在于：不是 SSL 目标，但直接影响 CLIP/VLM prompt tuning 的泛化，且 comments 标注 ECCV 主会。

方法拆解

不是 SSL 目标，但直接影响 CLIP/VLM prompt tuning 的泛化，且 comments 标注 ECCV 主会

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。