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。