最近，预训练的视觉语言模型（例如，CLIP）在少样本学习中表现出巨大的潜力，并吸引了大量研究兴趣。尽管已经有努力改进CLIP的少样本能力，但现有方法的关键因素的有效性尚未被充分研究，这限制了进一步探索CLIP在少样本学习中的潜力。在本文中，我们首先介绍了一个统一的公式，从对数偏差的角度分析基于CLIP的少样本学习方法，这促使我们学习一个有效的对数偏差，以进一步提高基于CLIP的少样本学习方法的性能。为此，我们拆解了计算对数偏差中涉及的三个关键组成部分（即，对数特征、对数预测器和对数融合），并从实证上分析了它们对少样本分类性能的影响。基于关键组件的分析，本文提出了一种新颖的AMU-Tuning方法，用于学习有效的对数偏差，用于基于CLIP的少样本分类。具体来说，我们的AMU-Tuning通过利用适当的辅助特征来预测对数偏差，这些特征被送入一个高效的多分支训练的特征初始化线性分类器。最后，开发了一种基于不确定性的融合方法，将对数偏差整合到CLIP中进行少样本分类。实验在几个广泛使用的基准测试上进行，结果显示AMU-Tuning在性能上明显优于其竞争对手，同时实现了基于CLIP的少样本学习的最先进性能，无需任何花哨的技巧。