表示选择与上下文学习之间的关系

基于摘要分析。该研究关注大语言模型在上下文学习（In-context Learning，ICL）中，标签必须表示为词表词元这一约束如何影响学习行为，并提出“标签表示充当 ICL 初始化”的假设。其主要贡献是系统考察标签表示、语言模型与提示示例对 ICL 学习动态的共同作用，而非将表现仅归因于示例数量。 方法上，作者开发了一种算法，依据模型先验，系统枚举具有不同语义相关程度的标签集合，并在多个分类任务、模型家族、模型规模及示例数量条件下评估 ICL 学习轨迹。这里的“初始化”指标签表示对后续上下文学习行为的起始影响，不是摘要已证实的参数初始化或参数更新机制。标签集合的具体构造、模型先验的度量方法及语义相关性的操作定义尚未验证。 作者报告，在其考察的分类任务与实验条件下，不同标签表示的性能排序不随示例数量变化；学习效率则取决于初始表示与模型规模之间的交互。摘要未提供任务名称、模型名称、具体指标或数值，因此不能据此判断效应大小，也不能将排序稳定性外推到任意任务或模型。 该研究的主要对象是语言模型的提示分类，并非 EEG 解码或 BCI。其直接阅读价值在于提醒使用词元标签开展 ICL 的研究者，将标签表示作为需要控制的实验变量。实验协议、消融及统计信息尚未验证；全文核对重点包括标签语义与任务的对应方式、示例选择及顺序控制，以及排序稳定性的统计支持。现有材料不足以建立具体的 EEG 迁移机制，相关 EEG 工作尚未检索确认。