少样本示例数量与选择：自然语言推理的上下文学习研究
原标题：How Many Examples, and Which Ones? A Study of In-Context Learning for Natural Language Inference
AI 摘要
希腊伯罗奔尼撒大学等机构的研究者对 Llama、Mistral、Gemma 和 Phi 4 等 decoder-only 大模型在 MNLI、QNLI、SciTail 三个自然语言推理数据集上进行了零样本与少样本提示的系统评测。结果显示，简单直接的提示即可让模型表现优异，挑战了复杂提示技术不可或缺的观点；单样本提示中示例标签的选择显著影响性能，以蕴含类示例效果最佳，少量代表性示例可媲美甚至超过更多示例的提示，且简单方法不逊于 ICS 和 MCQ 等复杂方法。
正文节选
[Page 1] How Many Examples, and Which Ones? A Study of In-Context Learning for Natural Language Inference Georgos Dikaios1, Isidoros Perikos 1,2,3, and Ioannis Hatzilygeroudis1,2 1 Hellenic Open University, Patras, GR 26335 Greece 2 Computer Engineering & Informatics Department, University of Patras, Patras, GR 26504 Greece 3 Computer Technology Institute and Press Diophantus, Patras,