本文介绍了多任务提示调整（MPT）方法，通过提取多个任务的知识，学习可传输的提示并进行低秩更新，以提升自然语言处理任务的性能。研究提出了快速提示调整和选择性提示调整等技术，显著提高了训练效率和性能，尤其在少样本情况下表现优异。

该文介绍了一种名为MPT的方法，通过从多个特定于任务的源提示中提取知识来学习一个单一可传输的提示，并将其适应每个下游目标任务。实验表明，该方法在某些情况下优于最先进的方法，尽管只有0.035％的特定于任务的参数被调整。

该文介绍了一种名为MPT的方法，通过从多个特定于任务的源提示中提取知识来学习一个单一可传输的提示，并将其适应每个下游目标任务。实验表明，该方法在某些情况下优于最先进的方法，尽管只有0.035％的特定于任务的参数被调整。

我们提出了多任务提示调整（MPT）方法，通过从多个特定于任务的源提示中提取知识来学习一个单一可传输的提示，并通过乘性低秩更新将其适应每个下游目标任务。实验结果表明，该方法在自然语言处理数据集上优于最先进的方法，尽管只有0.035％的特定于任务的参数被调整。