零 - shot 跨领域槽填充的生成式零 - shot 提示学习框架，通过反向提示策略区分不同槽类型以避免多重预测问题，以及通过训练更少的提示参数来提高性能，证明了我们提出的框架的有效性，尤其是在未见过的槽上有巨大的提升（+13.44% F1）。

Jul, 2023

通过使生成的图像内容与用户意图一致的提示，该方法利用扩散模型进行串行优化得到直观的语言提示，从而产生具有相似内容的多样化图像。

Dec, 2023

本研究提出了将实体定位和实体类型识别整合到 prompt learning 中的双插槽多提示模板，可在平行预测插槽上提取所有实体，并设计了一种动态模板填充机制来分配插槽的标签。在各种设置下进行实验，我们的模型在交叉域 few-shot 设置中实现了显着的性能提高。

May, 2023

语言模型的逆向推理问题研究中，使用下一令牌的概率分布信息可以恢复之前的提示令牌，即使对用户隐藏的文本也能通过模型的当前概率分布输出恢复未知的提示令牌。该研究考虑了多种模型访问场景，并展示了如何通过搜索即使在词汇表的每个令牌没有预测的情况下，通过恢复概率向量来重建的方法。在实验中，我们的逆向方法在 Llama-2 7b 上的重构提示上的 BLEU 为 59，令牌级别的 F1 为 78，并完全恢复了 27％的提示。

Nov, 2023

该研究提出了一种新颖的方法，逆提示（inverse prompting），通过使用生成文本对提示进行逆向预测，以增强提示和生成文本之间的相关性并提高可控性，实证研究表明该方法在生成文本的开放领域有着很好的表现，该研究提供的代码可供研究者使用。

Mar, 2021

這篇論文介紹了一種新的提示策略 ——BatchPrompt，以增強語言模型的效能，並通過 Self-reflection-guided EArly Stopping 來減少額外的 token 使用。

Sep, 2023

本文提出了批处理提示的简单替代提示方法，可以在批量中运行 LLM 的推理，而不是逐个样本。我们在许多数据集上验证了该方法的有效性，证明其可以同时减少时间和代币成本，并提高性能。

Jan, 2023

本文提出了一个度量标准，评估了一个固定提示对标签或给定属性的预测偏差，并提出了一种新的基于贪心搜索的搜索策略来确定最佳提示，以提高上下文学习的性能，并在多种下游任务中使用 GPT-3 等最先进的主流模型进行全面实验。结果表明，我们的方法可以有效提高模型的在上下文学习性能。

Mar, 2023

给定一个语言模型输出，我们考虑语言模型反演的问题：我们寻找生成这些输出的提示信息。我们开发了一种新的黑盒方法 output2prompt，它能够学习在不访问模型的 logits 或使用对抗性或越狱查询的情况下提取提示信息。与以前的工作不同，output2prompt 只需要普通用户查询的输出。为了提高内存效率，output2prompt 采用一种新的稀疏编码技术。我们衡量了 output2prompt 在各种用户和系统提示上的有效性，并展示了在不同语言模型之间的零 - shot 可迁移性。

May, 2024

本文提出了一种新的生成式提示调整方法，将关系分类重新构造为一种填充问题，旨在解决当前提示方法的局限性，并在推理期间设计实体导向的解码和判别关系评分以有效地生成和对齐关系，并在完全监督的设置和低资源设置下展示了我们方法的有效性。

Oct, 2022