少样本，现在动真格：无需平衡集或验证集的医学 VLM 适配

视觉语言模型 (VLMs) 在医学图像分析中正受到越来越多的关注。这些模型在大规模异构数据源上预训练，产生丰富且可迁移的表示。值得注意的是，模态专用 VLM 与少样本适配相结合已取得丰硕成果，实现了高性能解决方案的高效部署。然而，先前关于该主题的工作对适配数据的分布做出了强假设，这在医学领域是不切实际的。首先，现有技术假设可以访问平衡的支持集，这一条件打破了真实场景中疾病患病率自然存在的失衡状态。其次，这些工作通常假设存在额外的验证集来固定关键超参数，这极大地降低了数据效率。本研究挑战了这些理想的部署场景，并引入了一种现实的、不平衡的、无需验证的适配设置。我们在各种模态和下游任务上进行了广泛基准测试，结果表明当前方法在现实条件下运行时，其性能会系统性地受损，偶尔甚至比零样本推理表现更差。此外，我们引入了一种无需训练的线性探针，能够自适应地融合视觉与文本监督。详细研究表明，所提出的求解器是一个强大且高效的基线，能够在具有挑战性的场景中实现稳健适配。