An Investigation of Prompt Variations for Zero-shot LLM-based Rankers
RMIT University（皇家墨尔本理工大学）；CSIRO（澳大利亚联邦科学与工业研究组织）；The University of Queensland（昆士兰大学）
本文通过大规模实验考察零样本 LLM 排序器，发现提示词组件与措辞对效果的影响有时超过排序算法本身。
2025-07-25 cs.CL cs.IR
Zero-shot Approach to Overcome Perturbation Sensitivity of Prompts
Iowa State University（爱荷华州立大学）
针对提示词扰动敏感及依赖标注数据的问题，提出零样本方法，通过位置、推理和复述技术生成并排序提示，显著提升二分类情感分类性能。
2023-07-01 cs.AI cs.CL
Ranking-Aware Prompt Optimization for Multimodal Clinical Diagnosis
Harvard University（哈佛大学）；University of California, Santa Cruz（加州大学圣克鲁兹分校）；Brown University（布朗大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Georgia Institute of Technology（佐治亚理工学院）
针对多模态临床诊断中类别不平衡问题，提出成对排序帕累托提示演化（Ranking-PE），用AUROC替代准确率优化提示，在MIMIC上显著提升排序性能。
2026-10-01 cs.CL cs.CV cs.LG
How Reproducible Are Evaluation Conclusions? A Self-Audit of LLM-Inferred Prompt Structure
Skelf Research
本研究通过自我审计LLM提示结构推断评估，发现小样本评估结论高度不稳定，排名仅底部可靠，建议报告排名稳定性与原始数据以增强可信度。
2026-09-25 cs.AI cs.CL cs.LG
Sequences of Logits Reveal the Low Rank Structure of Language Models
Microsoft Research（微软研究院）；UC Berkeley（加州大学伯克利分校）；MIT（麻省理工学院）
该研究提出模型无关方法验证语言模型存在低秩结构，可利用无关提示输出的线性组合生成目标响应，同时构建了对应理论抽象并给出学习保证。
2025-10-28 cs.AI cs.CL cs.LG
Found in the Middle: Permutation Self-Consistency Improves Listwise Ranking in Large Language Models
Comcast AI Technologies（康卡斯特人工智能技术公司）；University of Waterloo（滑铁卢大学）
本文提出置换自一致性方法，通过打乱提示中列表顺序并聚合排序结果来消除黑盒LLMs的位置偏差，在多个数据集上显著提升了列表式排序性能并超越先前最优。
2024-04-22 cs.CL cs.LG
EcoRank: Budget-Constrained Text Re-ranking Using Large Language Models
University of California, Riverside（加利福尼亚大学河滨分校）
针对LLM重排序成本高的问题，提出EcoRank两层流水线，在预算约束下联合优化提示策略与API选择，实验证明其在四个数据集上优于基线。
2024-05-28 cs.CL
GLASS: Global-Local Aggregation for Inference-time Sparsification of LLMs
Huawei Technologies Canada Co., Ltd.（华为技术加拿大公司）；Huawei Technologies Ltd.（华为技术有限公司）
GLASS通过融合全局和局部信号提升LLM推理时的稀疏化效果，尤其在短提示和长生成场景中表现优异，显著降低困惑度和KL散度，同时加快设备解码速度。
2026-05-12 cs.AI cs.CL cs.LG
Prompt Perturbation for Reliable LLM Evaluation over Comparison Graphs
Department of Statistics and Data Science, Tsinghua University（清华大学统计与数据科学系）
针对LLM成对评估中的传递性矛盾问题，提出提示扰动框架，通过生成扰动变体并过滤结构不一致的比较模式，提高排名一致性。
2026-06-17 cs.CL
Efficient Prompt Tuning by Multi-Space Projection and Prompt Fusion
Northeastern University, China（中国东北大学）
针对现有提示调优难平衡准确率与效率、跨任务性能不一致的问题，提出基于多空间投影与提示融合的EPT方法，通过软提示分解降本增效、多空间投影提升一致性，在13个NLP任务上效果优于11种对比方法。
2024-12-11 cs.AI cs.CL cs.LG
Reward Collapse in Aligning Large Language Models
该研究发现大语言模型奖励对齐中存在与提示无关的奖励坍缩现象，揭示其源于排名目标函数的提示信息缺失，提出提示感知优化方案并通过实验验证其缓解效果。
2025-10-29 cs.AI cs.CL cs.LG
Delta Tokenizer: Reference-Identical Tokenization of Session Deltas and Segment-Parallelism for Long Prompts on Multicore CPUs
Arizona State University（亚利桑那州立大学）
Delta Tokenizer是面向多核CPU的分词前端，通过增量分词与分段并行技术，大幅缩短会话轮次及长请求的分词时间，降低LLM服务的首令牌生成时间，且输出与参考结果完全一致。
2026-10-15 cs.CL cs.DC cs.PF
Prompt-Based LLMs for Position Bias-Aware Reranking in Personalized Recommendations
本文提出结合传统推荐模型与LLM的混合框架，通过结构化提示重排序，并研究位置偏差影响，实验发现LLM重排序未优于基础模型。
2025-05-27 cs.CL cs.IR
Large Language Models are Zero-Shot Rankers for Recommender Systems
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；UC San Diego（加州大学圣迭戈分校）；School of Information, Renmin University of China（中国人民大学信息资源管理学院）；WeChat, Tencent（腾讯微信）
本文将推荐形式化为条件排序任务，设计提示与自举策略，验证零样本 LLM 在多候选生成场景下可挑战传统推荐排序模型。
2024-01-24 cs.CL cs.IR
Are LLMs Reliable Rankers? Rank Manipulation via Two-Stage Token Optimization
National University of Singapore（新加坡国立大学）；University of Southern California（南加州大学）；Georgetown University（乔治城大学）；Arizona State University（亚利桑那州立大学）
本文提出RAF方法，通过两阶段令牌优化生成自然语言提示，提升目标项在LLM排名中的位置，同时保持语言自然性，实验显示其在提升排名和保持自然性方面比现有方法更鲁棒。
2026-06-28 cs.AI cs.CL cs.IR
LoRAScan: Detecting Backdoor Prompts in Low-Rank Adapters for Large Language Models via Down-Projection Activation Spikes
Michigan Technological University（密歇根理工大学）；Miami University（迈阿密大学）；Lehigh University（理海大学）
LoRAScan是首个无需修改适配器参数、在推理时检测并拒绝含触发词输入的适配器感知防御方法，在LLM后门基准测试中拒98.49%恶意输入，性能优于现有方法。
2026-10-27 cs.AI cs.CL cs.CR
Bidirectional Preference Synthesis: Learning Prompt-Conditioned Preferences from Boundary Failures
Kuaishou Technology（快手科技）；Nanjing University（南京大学）
针对边界失败中提示依赖缺失的问题，提出双向偏好合成（BPS）方法，通过为每个失败样本构建正反向配对，在不改变DPO目标下将已实现侧排名准确率从6.8%提升至62.3%，并保持能力保留。
2026-10-06 cs.AI cs.CL
Enhancing AI Safety Through the Fusion of Low Rank Adapters
IIIT Hyderabad（海德拉巴国家理工学院）；NSUT Delhi（德里NSUT）
本文提出利用低秩适配器融合（LoRA）结合任务适配器与安全适配器，在保持指令处理能力的同时将有害率降低42%，但也指出该方法可能引发过度安全行为。
2024-12-30 cs.CL
Efficient Knowledge Transfer in Multi-Task Learning through Task-Adaptive Low-Rank Representation
School of Computer and Communication Engineering University of Science and Technology Beijing（计算机与通信工程学院 中国科学技术大学）
提出TA-LoRA方法，通过低秩表示和快慢权重机制建模多任务学习中的任务异质性，避免知识混淆，并在16个任务的全数据与少样本设置下实现最先进性能与高参数效率。
2025-04-20 cs.CL
PrExMe! Large Scale Prompt Exploration of Open Source LLMs for Machine Translation and Summarization Evaluation
University of Mannheim（曼海姆大学）；University of Technology Nuremberg (UTN)（纽伦堡工业大学（UTN））
本文提出PrExMe，通过超720个提示模板和660万次评估，全面探索开源LLM在机器翻译与摘要评估中的表现，揭示了提示策略的稳定性与局限性。
2024-11-17 cs.CL
Prompt-Based Simplification for Plain Language using Spanish Language Models
HULAT-UC3M
本文提出利用西班牙语模型和提示工程策略，实现文本到普通语言的转换，通过评估不同模型和提示组合，优化语义相似度和可读性。
2025-09-21 cs.CL
LiPO: Listwise Preference Optimization through Learning-to-Rank
Google DeepMind（谷歌DeepMind）；Google（谷歌）
本文提出LiPO框架，将语言模型对齐视为列表式排序问题，利用学习排序目标优化策略，其中LiPO-λ方法在多个偏好对齐任务上显著优于DPO和SLiC。
2025-01-24 cs.CL cs.LG
Reach Into The CHOIR: Free-List Elicitation Uncovers Distinct Model Voices in LLM Ensembles
LoveMind AI
CHOIR 框架利用自由列表启发法将 LLM 集成的开放式同质性转化为诊断测量，通过排序列表聚类和显著性分析，识别模型身份等可恢复特征并区分提示深度。
2026-10-01 cs.AI cs.CL
Automatic Prompt Selection for Large Language Models
Cinnamon AI（肉桂人工智能公司）；Hung Yen University of Technology and Education（兴安理工教育大学）；Deakin University（迪肯大学）
本文提出一种自动提示选择方法，通过聚类生成候选提示、训练提示评估器并在测试时为输入选择最佳提示，在多个零样本问答数据集上取得有竞争力的性能。
2024-04-03 cs.CL cs.LG
When Does a Classifier Help an LLM? Classifier-Guided Prompting and Hybrid Classifier-LLM Models for Credit-Default Prediction
Amador Valley High School（阿马多尔谷高中）；Research Spark Hub Inc.（Research Spark Hub 公司）
本研究针对信用卡违约预测任务，对比了单模型性能，提出将分类器的预测概率加入LLM提示的方法，可提升其AUC-ROC至与随机森林相当，同时保持更高召回率，推荐使用该分类器引导提示。
2026-09-01 cs.CL cs.LG
Contextually Guided Transformers via Low-Rank Adaptation
Google DeepMind（谷歌DeepMind）
本文提出上下文引导Transformer（CGT），通过低秩自适应将上下文直接编码进模型权重以替代显式提示，实现模型自我专门化，并在合成上下文学习与语言建模任务中验证了有效性。
2025-06-06 cs.CL cs.LG
Inductive Bias Extraction and Matching for LLM Prompts
Department of Computer Science and Electrical Engineering University of Maryland, Baltimore County（计算机科学与电气工程系马里兰大学巴尔的摩县）
本文提出归纳偏置提取与匹配策略，通过将LLM输出作为提示词一部分以匹配模型归纳偏置，使分类和排序的LLM Likert评分分别提升19%和27%。
2025-08-14 cs.CL
Enhancing Legal Document Retrieval: A Multi-Phase Approach with Large Language Models
VNU University of Engineering and Technology（VNU工程技术大学）；RMIT University（皇家墨尔本理工大学）；National Institute of Informatics（情报学研究所）
本研究提出一种结合 BM25 预排序、基于 BERT 的重排序与 LLM 提示技术的多阶段法律文档检索方法，在 COLIEE 2023 数据集上显著提升了检索准确率。
2024-03-26 cs.AI cs.CL
Consistent and Distinctive: LLM Benchmark Efficiency via Maximum Independent Set Prompt Selection on Similarity Graphs
Computer Systems Department, Jožef Stefan Institute, Ljubljana, Slovenia（计算机系统部，乔塞夫·斯塔芬研究所，卢布尔雅那，斯洛文尼亚）；Jožef Stefan International Postgraduate School, Ljubljana, Slovenia（乔塞夫·斯塔芬国际研究生学院，卢布尔雅那，斯洛文尼亚）；Center for Astrophysics and Cosmology, University of Nova Gorica, Nova Gorica, Slovenia（天体物理与宇宙学中心，诺瓦戈里察大学，诺瓦戈里察，斯洛文尼亚）
提出基于相似图最大独立集的提示选择框架，通过选择多样且非冗余的子集，在保持LLM排名一致性的同时显著减少基准测试成本。
2026-05-31 cs.AI cs.CL
Multitask Prompt Tuning Enables Parameter-Efficient Transfer Learning
The Ohio State University（俄亥俄州立大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；Massachusetts Institute of Technology（麻省理工学院）
提示微调，其中通过对学习的提示向量进行调节来使基本预训练模型适应每个任务，已经成为一种有前途的方法，用于有效地使大语言模型适应多个下游任务。然而，现有的方法通常从头开始学习软提示向量，并且还不清楚如何在多任务学习设置中利用提示向量来利用丰富的跨任务知识。我们提出了多任务提示微调（MPT），它首先学习一个单一的可转移的提示，从多个任务特定的源提示提取知识。然后，我们学习乘法低秩更新这个共享提示，以有效地适应每个下游目标任务。在23个NLP数据集上进行的大量实验表明，我们提出的方法优于最先进的方法，包括在某些情况下的完整微调基线，尽管只调整了0.035%的任务特定参数。
2023-03-06 cs.CL
PRISM: Prompt-Refined In-Context System Modelling for Financial Retrieval
AI Lens
PRISM通过精细化提示、上下文学习和轻量级多代理协调，提升金融信息检索效率，其简单配置在FinAgentBench上取得NDCG@5 0.71818，为实际应用提供实用指导。
2026-10-22 cs.AI cs.CE cs.CL
LoRi: Low-Rank Distillation for Implicit Reasoning
University of California-Santa Barbara（加州大学圣巴巴拉分校）
提出低秩蒸馏框架，通过对齐师生模型在共享低秩张量子空间中的隐状态推理轨迹，提升大型语言模型的隐式思维链推理能力。
2026-10-09 cs.AI cs.CL
Beyond Single-Granularity Prompts: A Multi-Scale Chain-of-Thought Prompt Learning for Graph
School of Computer Science and Technology（计算机科学与技术学院）；Xidian University（西安电子科技大学）；School of Artificial Intelligence（人工智能学院）；The Hong Kong University of Science and Technology（香港科学与技术大学）
本文提出多尺度图链式思考提示框架，通过多尺度信息增强图提示学习，提升少样本场景下的性能。
2026-01-26 cs.AI cs.CL
LLMRank: Understanding LLM Strengths for Model Routing
Zeno AI
针对大语言模型部署中性能与效率权衡的挑战，本研究提出感知提示词的路由框架LLMRank，通过多维度人类可读特征和神经排序模型实现模型选择，性能接近最优解且具备可解释性。
2025-09-23 cs.CL
The Role of Prompt Language and Translation-Theory-Driven Prompts in Large Language Models: A Case Study on Spanish-Chinese Journalistic Translation
Faculty of Translation and Interpreting（翻译与口译学院）；Autonomous University of Barcelona（巴塞罗那自治大学）；Barcelona, Spain（西班牙巴塞罗那）
研究提示语言和翻译理论驱动的提示设计对GPT-5.2生成的西中新闻翻译质量的影响。通过48种实验条件翻译平行语料库，用自动评估指标和人工评估，发现理论驱动提示能减少特定错误，提示语言影响小。
2026-07-07 cs.AI cs.CL
Large Language Models and Prompt Engineering for Biomedical Query Focused Multi-Document Summarisation
School of Computing（计算学院）；Macquarie University（麦考瑞大学）
该研究将提示工程与GPT-3.5用于生物医学查询聚焦多文档摘要，验证了少样本提示、检索增强生成的效果，在BioASQ 11b中取得ROUGE-F1前两名的成绩。
2023-11-09 cs.CL
PyTerrier-GenRank: The PyTerrier Plugin for Reranking with Large Language Models
Emory University（埃默里大学）
针对大语言模型重排序需调试多类超参数的问题，研究团队推出PyTerrier-GenRank插件，支持多种主流排序策略，并通过两大托管端点完成有效性验证，可简化相关重排序实验流程。
2024-12-06 cs.AI cs.CL cs.IR
To be or not to be? an exploration of continuously controllable prompt engineering
Zhejiang University（浙江大学）；SenseTime（商汤科技）；Singapore Management University（新加坡管理大学）
本文提出ControlPE方法，利用LoRA实现连续可控的提示工程，通过生成专用数据集并调整合并权重，实现对多种提示效果的精细控制。
2023-11-16 cs.CL
Claim Check-Worthiness Detection: How Well do LLMs Grasp Annotation Guidelines?
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算机科学学院）；Text Analysis and Knowledge Engineering Lab（文本分析与知识工程实验室）
本文评估大语言模型在声明检测与可核查性检测上的表现，发现最优提示详细程度因领域而异、增加上下文无益，且置信度可直接用于可靠排序。
2024-10-21 cs.CL
Social Bias Evaluation for Large Language Models Requires Prompt Variations
Tokyo Institute of Technology（东京工业大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；National Institute of Informatics（情报信息学研究所）
本文研究大语言模型社会偏见评估对提示变体的敏感性，发现提示变化会导致模型排名波动并揭示性能与偏见之间的权衡，建议使用多样化提示进行评估。
2024-07-03 cs.CL
AKCIT-FN at CheckThat! 2025: Switching Fine-Tuned SLMs and LLM Prompting for Multilingual Claim Normalization
Institute of Informatics, Federal University of Goiás, Brazil（信息学院，戈亚斯联邦大学，巴西）；Advanced Knowledge Center in Immersive Technology (AKCIT), Federal University of Goiás, Brazil（沉浸式技术高级知识中心（AKCIT），戈亚斯联邦大学，巴西）
本文提出结合微调小型语言模型和大语言模型提示的方法，在 CLEF-2025 CheckThat! 多语言主张规范化任务的二十种语言中十五种获得前三名，验证了零样本策略的有效性。
2025-09-15 cs.CL
Instruction Tuning with Retrieval-based Examples Ranking for Aspect-based Sentiment Analysis
School of Information Science and Engineering, Yunnan University（云南大学信息科学与工程学院）；Yuan Ze University（元智大学）
提出基于检索示例排序的指令微调方法，利用LM评分排序训练示例，交替训练检索器和LM，在ABSA三个子任务上超越强基线。
2024-05-29 cs.CL
Prompt-and-Rerank: A Method for Zero-Shot and Few-Shot Arbitrary Textual Style Transfer with Small Language Models
Stanford University（斯坦福大学）；Oxford University（牛津大学）
我们提出了一种任意文本风格转换（TST）的方法-将文本转换为任何给定风格的任务-利用通用的预训练语言模型。我们的方法，重新排序，是基于TST任务的数学公式，将其分解为三个组成部分：文本相似性，目标风格强度和流畅性。具体地说，我们的方法首先使用zero-shot或Few-Shot提示来获得目标风格中的一组候选生成，然后根据上述三个分量的组合来重新排列这些候选生成。从经验上讲，我们的方法使小型预训练语言模型能够与最先进的大规模模型相媲美，同时消耗两个数量级的计算和内存。最后，我们对模型大小和即时设计的影响进行了系统的调查（例如，提示释义和定界符对选择）对七个不同文本样式转换数据集的样式转换质量的影响。
2022-05-23 cs.CL
Q-Tuning: Queue-based Prompt Tuning for Lifelong Few-shot Language Learning
McMaster University（麦克马斯特大学）；Amazon（亚马逊公司）；The Ohio State University（俄亥俄州立大学）
本文提出Q-tuning方法，通过构建提示队列、自适应知识聚合、PCA驱逐规则及记忆保持正则化，实现预训练语言模型的终身少样本学习，在恒定复杂度下大幅超越现有方法。
2024-04-22 cs.CL
AILS-NTUA at SemEval-2026 Task 12: Graph-Based Retrieval and Reflective Prompting for Abductive Event Reasoning
School of Electrical and Computer Engineering, AILS Laboratory（电气与计算机工程学院，AILS实验室）；National Technical University of Athens（雅典国家技术大学）
AILS-NTUA 提出基于图检索与反思提示的三阶段系统，在 SemEval-2026 任务 12 中实现 0.95 准确率，揭示多标签因果推理中的系统性失败模式。
2026-03-04 cs.CL
Decomposed Prompt Tuning via Low-Rank Reparameterization
Singapore University of Technology and Design（新加坡科技设计大学）；Institute for Infocomm Research, A*Star（新加坡科技研究局资讯通信研究院）
本文提出分解式提示调优，利用低秩矩阵初始化软提示，减少可训练参数，在SuperGLUE上验证了有效性。
2023-10-16 cs.CL
Are You Sure? Rank Them Again: Repeated Ranking For Better Preference Datasets
Lightblue KK
针对GPT-4等评估器模型在RLAIF中排序不一致的问题，提出重复排序方法，仅使用一致排序的响应进行训练，在多语言基准上优于全量数据训练，揭示了数据质量与数量的权衡。
2024-06-01 cs.AI cs.CL cs.LG
Zero-Shot Cross-Domain Dialogue State Tracking via Dual Low-Rank Adaptation
School of Information Science and Engineering（信息科学与工程学院）；Yunnan University（云南大学）
本文提出DualLoRA，一种基于双低秩适配的即插即用架构，通过分别优化对话上下文处理和提示优化，在不增加推理延迟的前提下提升零样本跨领域对话状态追踪性能，并在MultiWOZ和SGD数据集上验证了其优于传统基线方法。
2024-07-31 cs.CL
Prompts as Auto-Optimized Training Hyperparameters: Training Best-in-Class IR Models from Scratch with 10 Gold Labels
University of Waterloo（滑铁卢大学）；Stanford University（斯坦福大学）；IBM Research AI（IBM研究院人工智能部门）
本文提出将LM提示词作为可自动优化的训练超参数，仅用10个黄金标签即可训练小规模IR模型，并在BIRCO上媲美使用10万余标签训练的7B模型。
2024-06-17 cs.CL cs.IR cs.LG
Parameter-Efficient Fine-Tuning for Medical Text Summarization: A Comparative Study of Lora, Prompt Tuning, and Full Fine-Tuning
Telecom SudParis, Institut Polytechnique de Paris, France（电信巴黎大学，巴黎理工学院，法国）
本文比较了LoRA、提示微调和全微调在医学摘要任务上的性能，发现LoRA在参数效率和效果上均优于全微调。
2026-03-23 cs.AI cs.CL
Measuring the Wrong Thing: Internal Harmfulness Scores Anti-Rank Successful Jailbreaks
College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院）；School of Computer Engineering and Science, Shanghai University（上海大学计算机工程与科学学院）；Beijing Normal University（北京师范大学）；Institute of Advanced Intelligence and Computing, A*STAR（新加坡科技研究局高级智能与计算研究所）；School of Communication and Electronic Engineering, East China Normal University（华东师范大学通信与电子工程学院）；Institute of Big Data, Fudan University（复旦大学大数据研究院）；Department of Computer Science, Worcester Polytechnic Institute（伍斯特理工学院计算机科学系）
本文审计内部安全评分的推论逻辑，提出主动注意力探测方法，发现包装操作使攻击更危险但评分误判，反转在多模型等场景持续存在，揭示内部评分的测量偏差问题。
2026-08-11 cs.AI cs.CL cs.CR
Multimodal Language Models as Text-to-Image Model Evaluators
FAIR at Meta - Montreal, New York（Meta 蒙特利尔 FAIR）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Mila；McGill University（麦吉尔大学）；Canada CIFAR AI chair（加拿大 CIFAR 人工智能主席）
该研究提出MT2IE框架，以MLLM为评估智能体，生成少量提示即可高效准确评估T2I模型，其排名比现有指标更忠实一致，还可定制基准，助力动态评估框架发展。
2026-09-03 cs.AI cs.CL cs.CV
Diffu-LoRA: A Novel Low-Rank Adaptation for Personalized Diffusion Models
Zhangjiang Lab of Artificial Intelligence（上海人工智能实验室）
Diffu-LoRA是一种参数高效的个性化扩散模型方法，通过门控低秩适配学习层间非均匀的适配能力分配，在Stable Diffusion实验中提升了主体保真度与提示对齐度。
2026-10-09 cs.CL
Passage-specific Prompt Tuning for Passage Reranking in Question Answering with Large Language Models
Santa Clara University（圣克拉拉大学）；Walmart Global Tech（沃尔玛全球科技）；Docomo Innovations（docomo创新公司）
针对开放域问答中LLM段落重排序依赖硬提示、全量微调成本高的问题，提出参数高效的段落特定提示调优方法PSPT，融入段落特定知识提升排序能力，实验验证其有效性。
2024-06-21 cs.CL cs.IR
