不同提示方法是否在语言模型中产生共同的任务表征？

基于摘要分析。本文研究语言模型通过示例和指令执行同一上下文学习（ICL）任务时，是否形成共同的任务表征。作者将用于提取少样本 ICL 任务表征的 function vectors（FVs，功能向量）推广到简短文本指令，借此比较两类提示所调用的模型机制。 方法上，FVs 被用作研究任务表征的机制性工具，而非仅比较不同提示的最终性能。作者报告，从指令提示中提取的 instruction function vectors 能提升零样本任务 Accuracy；但摘要未提供模型、任务、具体分数或对照配置，因此不能量化提升幅度，也不能判断其跨模型与跨任务稳定性。 作者报告，基于示例与基于指令的 FVs 利用了不同的模型组件，并通过若干控制实验区分二者对任务表现的贡献。其结论是：至少在 FVs 所刻画的机制范围内，不同提示形式并未诱发完全共同的任务表征，而是调用不同且部分重叠的机制。这不等同于证明模型不存在其他形式的共享任务表征。 作者据此认为，结合指令与任务示例具有机制层面的依据，而跨提示形式统一监测模型任务推断可能面临挑战。尚需核对 FVs 的提取与干预方式、组件定位、控制实验及结果的适用范围；实验协议、消融及统计信息尚未验证。本文主要对象是语言模型的任务推断与可解释性，摘要未建立其与 EEG 或 BCI 的具体机制对应关系，因此不据此推断神经信号解码收益。