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。

本文综述了上下文学习在文本到SQL、对话生成、关系抽取等任务中的进展，提出了adv-ICL、RetICL、prompt-SelF等多种演示选择与提示优化策略，显著提升大语言模型性能，并揭示演示多样性、数量及错误示例对学习效果的重要影响。

本文研究大语言模型的上下文学习（ICL）机制，通过相同示例对比ICL与监督学习，发现黄金标签显著影响ICL性能，而不平衡标签影响较小；ICL对标签扰动更鲁棒，且模型规模越大越接近监督学习。相关研究还涉及演示选择、表示变化、语音ICL及核回归解释。