Prompt Space：优化大语言模型的少样本推理表现

基于摘要分析。本文研究大语言模型（LLMs）的提示选择问题，提出 Prompt Space：利用文本嵌入与矩阵分解获得基向量，再构造用于表示提示的空间，以支持选择简单、有效的提示。研究对象是 LLM 的少样本推理与提示工程，而非神经信号建模或 BCI。 核心机制是将文本提示转化为可进行数学处理的空间表示。摘要将其与 Chain of Thought（CoT）、Zero-CoT 和 In-context learning 等提示策略置于同一研究背景，但尚未说明具体矩阵分解方法、空间构造条件、提示搜索或选择目标，以及训练与推理流程。因此，目前不能据此判断该框架是否给出了最优提示的数学保证。 作者报告，Prompt Space 在十个公开推理基准上优于所比较的先进提示范式，并且在不使用 CoT 方法及“Let’s think step by step”提示的情况下，优于 few-shot 方法。摘要未提供基准名称、LLM 型号、示例数量、数据划分、具体指标或增益数值；实验协议、消融及统计信息尚未验证，不宜将这些结论扩展为对所有模型或任务均有效。 作者提供了公开代码链接，可作为进一步核对实现与复现条件的入口，但代码内容及运行条件尚未验证。材料未给出与 EEG 数据结构、监督方式或解码任务的具体对应机制，因此不据此提出 EEG/BCI 迁移实验；相关 EEG 工作尚未检索确认。