本文介绍了Self-ICL框架，通过虚拟演示优化大型语言模型的内在能力，显著提升模型性能。研究提出了迭代示范选择（IDS）和演示增强方法（DAIL），有效提高少样本和多样本学习的效果。实验结果表明，IDS和DAIL在常识推理和问答任务中优于现有方法，展示了大型语言模型在上下文学习中的潜力。

本文介绍了多种基于上下文学习（ICL）的方法，如Self-ICL、DAIL和InfICL，旨在优化大型语言模型的性能。研究表明，选择合适的示范和生成自我演示可以显著提升模型在低资源环境下的表现。此外，探讨了示范选择对ICL鲁棒性的影响，并提出了迭代示范选择（IDS）方法，显示出在多个任务上优于现有方法的潜力。