本文提出了Selective Prompt Tuning (SPT)框架，通过插入可学习的概率门控制的提示来选择适当的提示层。同时，提出了SPT-DARTS双层优化框架，可以更好地优化可学习门并改善所学提示层设置的最终提示调整性能。实验证明，SPT框架在全数据和少样本情况下比PETuning基准方法表现更好，参数可调性相当或更少。