标签
本文提出使用状态空间模型来高效选择用于长上下文语言模型提示的示范，从而降低计算成本并提升性能。
SALA 是一种语义感知逻辑对齐框架，通过自动学习特定任务的推理操作并使用动态时间规整进行灵活对齐，从而改进上下文学习中复杂推理的示例选择，性能优于现有方法。
本文介绍了MAG，一种流形引导的半监督多模态上下文示例选择框架，利用未标记数据改进多模态大语言模型的少样本上下文学习。在八个基准上的实验表明，在标签稀缺场景下取得了一致的性能提升。
本文研究了推理任务的多样本思维链上下文学习，揭示了标准扩展规则并不适用，并提出了Curvilinear Demonstration Selection (CDS)方法以改进示例排序，最高可获得5.42个百分点的性能提升。