本研究提出了一种基于内部表示的统一度量——亲和力与多样性，以解决演示选择方法在不同优化目标下的不一致性问题。实验结果表明，该度量与测试准确率显著相关，促进了演示选择的一致性。

本文探讨了大型语言模型（LLMs）在上下文学习中的应用，提出通过优化提示和演示选择策略来提升对话生成和文本推理任务的性能。研究表明，调整提示和多样化演示能显著改善生成质量，增加演示数量即使在演示存在缺陷时也能提高效果。

最近的大型语言模型 (LLMs) 的进展使得思维链 (CoT) 提醒的紧急能力增加。为了设计 LLM 提示，有一个重要的设置，称为演示选择。我们介绍了一种新方法，称为推理技能发现 (RSD)，它使用无监督学习创建合理性的潜在空间表示，同时学习一个推理策略来确定给定问题所需的推理技能。RSD 在多个推理任务中的答案准确性方面优于现有方法多达 6%。