超出支持范围并非不可及：不受预训练支持的指令与组合任务下的 In-Context Learning

基于摘要分析。本文研究预训练 LLM 的 In-Context Learning（ICL）能否应对超出预训练支持范围的指令或目标任务，核心贡献是建立理论框架，将这两类分布偏移分开讨论，并分析示例证据与任务分解各自发挥作用的条件。 对于预训练中已表征的目标任务，作者报告理论结果：随着输入—输出示例数量增加，示例可帮助识别潜在任务，并降低模型对预训练支持的提示模板的敏感性。对于不受预训练支持的指令，结论以固定的模型诱导参考扩展为条件；在该条件下，示例证据可以压过不随示例数 N 增长的指令偏移，同时保持指数级任务识别速率。这不等于任意陌生指令都可由增加示例解决，具体假设和参考扩展的定义仍需正文核对。 对于预训练中未表征的长程目标任务，作者采用同一框架进行解释：若存在将目标任务拆为预训练支持子任务的计划，则可沿中间状态轨迹逐步调用熟悉的子任务，而不必直接选择未受支持的完整任务。作者报告逐步应用受支持任务分析可得到标准的累积误差界；该部分依赖可用分解计划和子任务支持条件，不能解读为模型能自动发现任意任务的分解。 摘要未提供具体模型、数据集、实证指标或实验设置，理论假设、界的具体形式、实验协议、消融及统计信息尚未验证。本文主要研究对象是 LLM 的 ICL 理论，而非 EEG 解码或 BCI；尚无材料支持将其结论直接推广至跨被试、跨会话或跨数据集泛化，已有 EEG 相关工作亦尚未检索确认。