基于多语言预训练模型的多语言提示翻译器（MPT）在低资源情景中表现出有效性，能够转移软提示到下游任务中，尤其在XNLI的少样本设置中，MPT比基线方法更为突出。

本文介绍了使用变分信息瓶颈(VIB)来压制过拟合和提高低资源情景中的传输学习的方法，并证明其成功地降低了过拟合，提高了泛化能力。实验结果表明，该方法在自然语言推断数据集中更好地泛化到领域外数据集，并在13个领域外自然语言推断基准测试中提高了泛化能力。