你所提示的就是你所提示的：农产品视觉语言模型中的提示质量、领域转移和不确定性

视觉语言模型可以通过自然语言提示实现零样本分类，但性能对提示表述很敏感，尤其是在专门领域。零样本提示集成（ZPE）通过判别信号对提示进行加权来解决这个问题，但其在域转移下的行为仍未被探索。我们使用 CLIP 和 SigLIP 在四个数据集和四个提示池中评估农业食品领域的 ZPE，涵盖分销内 (ID) 食品和分销外农业基准。 ZPE 在 ID 条件下提供的好处有限，但在域转换下显着提高了性能和校准，其中 51-52 提示的特定域池始终优于 247-426 的通用池。词法分析表明，ZPE 充当无监督域对齐检测器，无需标签访问。我们进一步引入了 PID（基于提示的不一致检测），它将提示分歧重新定位为认知不确定性，改进了标准置信度测量崩溃的严重领域转移下的故障检测。