本研究提出了一种动态任务向量分组（DTVG）方法，旨在解决多任务提示调优中任务相似性细化不足的问题。该方法结合目标相似性和知识一致性，优化源任务组合，显著减少负迁移现象，并在26个NLP数据集上取得了先进的性能。

研究探讨大型语言模型在学习新语言时如何保持已掌握语言的性能。提出两阶段微调过程，发现任务相似性影响模型适应性，并验证微调方法在提升语言能力和保持任务性能上的有效性。

研究分析了迁移学习中任务相似性的理论，发现当目标任务与预训练模型的特征空间高度重合时，迁移学习效果优于从头训练，尤其在数据有限时能提升性能。