通过对 prompting 方法在 Entity Resolution 中的效果进行系统实验研究，本论文发现 prompting 方法对 Entity Resolution 的质量有重要影响，部分评估指标更加敏感，同时也受到数据集的影响。

Oct, 2023

本文提出了一种新的提示框架 P-ICL，通过利用一些点实体作为辅助信息实现更精确的大型语言模型（LLMs）实体分类，并提出了基于 K-Means 聚类的点实体选择方法。在一些代表性的命名实体识别基准测试中，我们的实验证实了 P-ICL 和点实体选择策略的有效性。

May, 2024

通过在高质量的真实人类中文对话数据集上对大型语言模型（LLMs）在基于角色的对话生成中的上下文学习能力进行广泛实验，我们的工作填补了上下文学习研究在人类对话生成领域的空白。从实验结果中，我们得出了三个结论：1）调整提示指令是改善生成质量最直接、最有效、最经济的方法；2）随机检索演示（demos）可以取得最好的结果，可能是因为其更大的多样性和有效信息的数量；与查询上下文完全相同的检索演示的表现最差，与直觉相反；3）即使在演示中破坏了多轮关联和单轮语义，增加演示数量仍然可以提高对话性能，证明了 LLMs 可以从损坏的对话演示中进行学习。先前对 ICL 机制的解释，例如 $n$-gram 归纳头，不能完全解释这一现象。

Feb, 2024

本研究提出了一种基于上下文学习的命名实体识别方法，通过 PLMs 中的元函数，仅使用少量的示例即可识别新类型的实体，并使用元函数预训练算法将上下文 NER 能力注入 PLMs，实验证明该方法可以显著优于 PLMs + 微调对照组。

May, 2023

我们提出了一个有效和创新的 ICL 框架，用于少样本嵌套命名实体识别，通过设计一种新颖的示例演示选择机制 EnDe 检索器，我们通过对比学习进行语义相似性、边界相似性和标签相似性的三类表示学习来生成高质量的演示示例，在三个嵌套 NER 和四个平面 NER 数据集上的大量实验表明我们系统的有效性。

Feb, 2024

本文介绍了一种基于大型语言模型的 In-context learning 方法用于文本到 SQL 查询转换中，通过不同的演示选择策略和指令格式来提高 LLMs 性能。实验结果表明，该方法在 Spider 数据集上超出了最先进系统 2.5 个点，超出了最佳微调系统 5.1 个点。

May, 2023

通过对三个文本分类任务的广泛实验，我们发现在选择演示示例时，不仅选择语义上相似的演示示例有益，还选择那些有助于解决测试示例周围固有标签模糊性的演示示例。有趣的是，我们发现包括之前被 LLM 错误分类并且与测试示例的决策边界相近的演示示例能够带来最大的性能提升。

Sep, 2023

通过提出一种召回 - 检索 - 推理关系抽取框架，将大型语言模型与检索语料库相结合，从而使语言模型能够在上下文中进行可靠的推理，以提高关系抽取的性能。

Apr, 2024

本研究表明，在语义上相似的演示可以提高大型语言模型的性能，这可以通过呈现一些示范来完成，并且可以有效地对大量语言和任务进行泛化，同时，我们还引入了任务特定的演示检索器，以进一步提高性能。

May, 2023

在有限的预算内，本研究通过研究不同方法选择样本进行注释，发现少样本内上下文学习（ICL）可以在命名实体识别（NER）任务中实现与使用完整训练集相当的结果，而随机选择样本进行注释可以获得出乎意料的良好性能，并且多样化的注释池与性能的提升相关，希望未来的工作将我们的现实范式纳入考量。

Jun, 2024