随着视觉与语言预训练 (VLP) 的兴起，越来越多的下游任务开始采用预训练后微调的模式。尽管该模式在多模态下游任务中展现出潜力，但在遥感领域的应用仍面临一些障碍。具体而言，同模态嵌入倾向于聚集的特性会阻碍高效的迁移学习。为解决这一问题，我们从统一视角重新审视多模态迁移学习在下游任务中的目标，并基于三个不同目标重新思考优化过程。我们提出“协调迁移学习与模态对齐 (HarMA)”方法，该方法在满足任务约束、模态对齐和单模态均匀对齐的同时，通过高效参数微调最小化训练开销。值得注意的是，无需额外训练数据，HarMA 便在遥感领域两个主流多模态检索任务中实现了最先进的性能。实验表明，仅需极少量可调参数，HarMA 就能达到与全参数微调模型相当甚至更优的性能。由于其简洁性，HarMA 可集成到几乎所有现有多模态预训练模型中。我们希望该方法能促进大模型在广泛下游任务中的高效应用，同时显著降低资源消耗 [1]。

本文研究了组合零样本学习 (Compositional Zero-Shot Learning, CZSL) 问题，即利用已有概念识别新的属性-对象组合。近期研究侧重于应用具有强泛化能力的大规模视觉语言预训练 (Vision-Language Pre-trained, VLP) 模型（如 CLIP）。然而，这些方法将预训练模型视为黑箱，主要关注 CLIP 模型的前后处理操作，并未深入挖掘 CLIP 内部各层间的语义概念关联。我们提出深入模型架构，在 CLIP 的每个编码器层中插入适配器 (adapter)——一种在大语言模型中被验证有效的参数高效技术。我们进一步为适配器赋予概念感知能力，从而提取"对象"、"属性"和"组合"等特定概念的特征。该方法在四个主流 CZSL 数据集（MIT-States、C-GQA、UTZappos 和 VAW-CZSL）上进行了评估，结果显示其性能在所有数据集上均优于现有方法。