ASCM：一种无需答案工程的答案空间聚类提示方法

基于摘要分析。本文研究少样本文本分类与自然语言推断（NLI）中的提示学习：同一类别可对应多种语言表达，而人工答案设计和自动答案搜索可能限制答案空间。作者提出答案空间聚类提示模型 ASCM，并结合 synonym initialization（SI）与半监督 stair learning（SL），以减少对人工答案映射的依赖。 核心机制：摘要称，ASCM 与 SI 在语义聚类的嵌入空间中自动对所有答案 token 进行分类；SL 则按顺序将较强模型的知识蒸馏至较弱模型。其方法重点是答案空间的组织及模型间知识传递，而非状态空间模型；来源栏目名称不能作为论文采用该类架构的证据。聚类如何构建、SI 的具体初始化步骤、SL 的模型排序依据、损失函数及未标注数据使用方式尚未验证。 结果与证据边界：作者报告，ASCM+SL 在少样本设置下显著优于既有最先进技术。摘要未提供数据集名称、样本规模、划分协议、指标数值或对照方法，因此无法判断增益幅度及适用范围；实验协议、消融及统计信息尚未验证，也不能据此认定各模块的独立贡献。 与 EEG/BCI 的关系：原研究对象是语言模型的答案 token 与文本类别映射，机制依赖语言语义嵌入及提示学习任务结构。当前材料没有说明神经信号表征如何与该答案空间对应，不能将文本任务结果视为 EEG 分类或 BCI 解码效果。相关 EEG 工作尚未检索确认，现阶段不提出直接迁移的复现实验建议。原领域复现需进一步核对预训练语言模型、提示模板、答案空间定义、少样本抽样方式、半监督数据来源及实现可用性。