本研究提出DR.GAP方法，旨在减轻大型语言模型中的性别偏见。该方法通过示例选择和结构化推理，自动降低偏见，同时保持模型性能。实验结果表明，DR.GAP在多个模型上有效，并可推广至视觉语言模型，显著减少偏见。

本研究提出了一种新方法——多因素平衡ICL（BMF-ICL），旨在解决多语种大型语言模型在上下文学习中因示例选择导致的有效性差异。实验结果表明，BMF-ICL在多个模型上优于现有方法，强调了整合多因素的重要性。

本研究提出了一种新的选择性示例学习方法（SSL_ner），通过实体信息优化Few-Shot学习中的示例选择。结果表明，SSL_ner在多个开源大语言模型上表现优异，并首次进行了系统评估。

本研究提出了一种创新的进化预提示优化方法，有效解决复杂推理任务中的示例选择问题。该方法在基准数据集上准确率提高超过10个百分点，并在多种场景中表现出一致的提升。

本研究提出了一种名为VideoICL的视频上下文学习框架，旨在提升视频理解模型在异常分布任务中的表现。通过示例选择和迭代推理，该框架在特定场景下显著改善了理解效果。

本研究探讨了大型语言模型（LLM）在上下文学习中的示例选择策略，提出了迭代示范选择（IDS）和演示感知校准（In-Context Calibration）等新方法，以提升模型在常识推理和问答等任务中的性能，强调了示例质量和选择算法的重要性。

本研究提出EXPLORA算法，旨在解决文本及混合源的复杂推理示例选择问题，减少大语言模型调用次数约11%，性能提升12.24%。

本研究探讨了大型语言模型在少量示例下的情境学习机制，发现任务识别和学习的不同特点。通过选择语义相似且有助于解决标签模糊性的示例，模型性能显著提升。引入的新方法In-Context Reflection（ICR）有效减少输出与输入之间的差异，展示了在多个数据集和任务中的普适能力。此外，研究提出了“演示捷径”现象及其校准方法，进一步改善了模型的学习效果。

本文探讨了大规模语言模型在上下文学习中的应用，提出了一种基于强化学习的示例选择算法，以提高模型的性能和泛化能力。研究表明，语义相似的示例显著提升模型表现，并介绍了ICR和Se^2等新框架和方法，优化示例选择和上下文相关性，增强模型在多任务中的适应性和稳定性。

本研究探讨了上下文例句对机器翻译质量的影响，提出了多种优化方法，包括基于回归函数和语法的示例选择，显著提高了翻译质量。通过上下文学习和适配器微调，改善了大型语言模型的性能，解决了少样本学习问题。实验结果表明，长期一致性和相似度测量对翻译任务表现至关重要。

本研究提出了AdaICL算法，通过主动学习优化示例选择策略，提高大型语言模型的性能和预算效率。采用影响力驱动的选择性注释方法，降低注释成本并提升示例质量。实验结果表明，该方法在多个基准测试中表现优越，有效增强了模型的泛化能力。

本研究探讨了影响大型语言模型（LLM）通过上下文学习（ICL）性能的因素，提出了一种基于数据和模型的示例选择方法，以提高语言理解和生成任务的效果。研究发现，选择语义相似和与测试样本相关的示例能显著提升模型性能。此外，提出的迭代示范选择（IDS）方法通过多次迭代选择相关示例，优于现有方法，强调了示例选择在少样本学习中的重要性。

本文提出了一种创新的少样本嵌套命名实体识别框架，利用示例演示选择机制和对比学习生成高质量示例。实验结果表明，该系统在多个数据集上表现优异，尤其在有限样本设置中超越了微调性能。同时，研究探讨了上下文学习的挑战和未来方向，强调了示例选择对模型性能的重要性。

本研究探讨了大型语言模型在上下文学习中的表现，发现选择语义相似的示例和解决标签模糊性的问题能显著提升模型性能。实验验证了上下文学习对标签扰动的敏感性较低，并提出了新的示例选择方法InfICL，以提高模型的泛化能力。

本文介绍了一种解决自然语言处理中元学习问题的方法，通过将调整和预测转化为序列预测问题，并在两个文本分类任务上进行了测试。结果表明，该方法更好地利用了语言模型的归纳偏差，提高了绝对 AUC ROC 评分。与不调优的'in-context learning'相比，'in-context tuning'通过元训练从'in-context'中学习，提高了平均 AUC-ROC 分数，并减少了方差和示例选择。