通过实证评估发现，问答模型的分布稳健性受分布内性能影响，模型的变化不影响稳健性。零样本和上下文学习方法比完全微调的模型更稳健。少样本提示微调模型比少样本微调跨度预测模型更稳健。参数高效和稳健性增强的训练方法对稳健性没有显著改进。

该研究提出了一种名为CoT的提示方法，用于提高大型语言模型在文本到SQL任务中的推理能力，并提供了一种名为ACT-SQL的自动生成CoT示例的方法。实验结果表明，该方法可以提高LLMs的性能，并在现有的上下文学习方法中实现了最佳性能。