大型语言模型（LLMs）在上下文学习（ICL）方面展示了显着的能力，通过少量训练示例学习新任务。黄金标签对下游上下文性能有显著影响，不平衡标签对ICL影响较小。ICL对标签扰动的敏感性较低，随着模型大小的增加，ICL获得与SL相当的性能。

本文研究了大型语言模型在上下文学习中的表现，通过使用相同的演示示例训练相同的模型，研究它们在标签扰动下的表现。实验证明，黄金标签对下游上下文性能有显著影响，但对于所有模型大小，不平衡标签对上下文学习的影响较小。