本教程将系统梳理自然语言处理中一种新兴的监督范式——从任务指令中学习。你会了解什么是任务指令、有哪些类型、如何建模、哪些因素影响性能，以及当前面临的挑战与应用前景。通过通俗的语言和结构化的讲解，即使你是刚接触这一领域的新手，也能快速掌握核心概念。

1 引言

人工智能的目标之一是构建一个能普遍理解并解决新任务的系统。传统的做法依赖大量特定任务标记示例，但这种方式存在两个问题：

• 成本高、不灵活：收集标记示例对复杂或昂贵任务不现实，也无法满足系统即时处理新任务的需求。
• 用户不友好：最终用户更愿意提供任务描述，而非一堆示例。

因此，社区开始探索一种新范式：从任务指令中学习。指令往往比单个标记示例包含更抽象、更全面的目标任务知识。例如，小孩可以通过指令和几个例子学会解决新数学题。这种范式最近引起了NLP领域的主要关注。

当提到“任务指令”，很多人首先想到提示（Prompt）——通过简短模板将输入重新格式化为语言建模问题。但提示只是指令的一种特殊情况。本文对指令驱动的NLP研究进行了全面、更广泛的梳理，试图回答以下问题：

• 什么是任务指令？存在哪些指令类型？
• 如何对指令进行编码以帮助目标任务？
• 哪些因素（如模型大小、任务数量）影响性能？如何设计更好的指令？
• 指令学习能带来什么应用？
• 面临哪些挑战和未来方向？

据我们所知，这是第一篇调研文本指令学习的论文。与现有侧重于特定上下文（如提示、演示或推理）的调研不同，本文提供了一个更广泛的视角，以有组织的方式连接不同研究。我们还发布了相应的阅读清单。

2 基础知识

对于任务式学习，目标是通过遵循指令使系统根据输入产生输出。一个数据集由三个元素组成：

• Input (X)：实例的输入。可以是单段文本（如情感分类），也可以是一组文本（如文本蕴涵）。
• Output (Y)：实例的输出。分类问题中为预定义标签，生成任务中为开放形式的文本。
• 模板 (T)：一种文本模板，用于表达任务含义，或作为X与Y之间的桥梁。T可能还不是一种组件结构。

小提示： 理解这三个基本元素，是后续学习指令类型和建模方法的基础。可以把模板T看作“任务的说明书”。

3 什么是任务指令？

在零样本和少样本NLP任务中，已使用了多种文本指令，例如提示、Amazon Mechanical Turk指令、带演示的指令和思维链解释。不同的指令最初针对不同目标设计。我们将它们总结为三个类别（如图2所示），它们执行T、X和Y的不同组合。

3.1 I=T^+Y: 面向蕴含的指令

传统分类任务将标签转换为索引，丢失了标签语义。面向蕴含的指令将模板T与标签Y结合，为每个标签构建一个假设，从而将标签真值判断转化为文本蕴含问题。如表1所示：

这种方法的优势：

• 保持标签语义，输入和输出编码同等重要。
• 形成统一的推理过程（文本蕴含），适用于多种NLP问题。
• 可利用现有TE数据集进行间接监督，无需特定任务微调。
• 将闭集标签分类扩展为开放域开放形式标签识别。

它广泛应用于少样本/零样本分类任务，如主题、情感、姿态、实体类型和关系分类。

常见问题：

Q: 面向蕴含的指令是否只适用于文本分类？
A: 不完全是。虽然它最初用于分类，但通过将输出空间转化为假设，也可以扩展到一些生成任务。不过目前主要应用于分类相关场景。

3.2 I=T^+X: 面向PLM的指令（如提示）

提示是面向PLM的指令的代表，通常是一个简短的语句，以前缀提示或完形填空提示的形式出现。其核心是利用预训练语言模型（PLM）的预训练目标（如掩码语言建模），避免传统监督微调，降低标注成本。

提示学习在问答、机器翻译、情感分析、文本蕴含、命名实体识别等任务上取得了显著成果。

小提示： 提示的短语设计非常关键，甚至微小的措辞变化都会影响PLM的输出。建议参考“提示工程”相关技巧。

3.3 面向人的指令

面向人的指令主要用于众包平台（如Amazon MTurk），通常包含任务标题、类别、定义、注意事项等段落式文本信息。它们对人友好、描述性强，可应用于几乎任何复杂NLP任务。

常见问题：

Q: 面向人的指令与提示有何区别？
A: 面向人的指令是为人类标注者设计的，语言自然、详细；而提示是为PLM设计的，通常简洁且符合模型预训练格式。面向人的指令更灵活，但需要额外处理才能被模型理解。

4 如何为指令建模？

本节总结四种主流的指令学习建模策略：

• 基于语义解析器：早期方法，用于编码指令（如将自然语言指令解析为逻辑形式）。
• 基于提示模板：神经网络时代常用，将指令作为模板嵌入输入。
• 基于前缀指令：将整个指令作为前缀拼接到输入前，引导模型生成输出。
• 基于超网络：近期兴起，利用一个网络生成指令参数，再作用于主模型。

注意：选择哪种建模方式取决于任务类型、模型结构和可用的计算资源。

5 应用

5.1 人机交互

文本指令是一种自然的人机交互方式。许多工作使用自然语言指令指导计算机执行现实任务：

• 非NLP任务：驱动智能体根据指令选择对象、导航、制图、玩游戏、生成体育广播、控制软件、查询数据库等。
• NLP任务：操作字符串、根据解释分类邮件、文本到代码生成等。

近年趋势是迭代式、模块化设计。例如Li等人构建的系统可让用户逐步完善指令（如点咖啡）；Dwivedi-Yu等人提出迭代指导PLM改进文本；Chakrabarty等人构建协作写诗系统。针对非专家用户难以一次性编写完整指令的问题，这种设计可有效降低认知负担。

5.2 数据和特征增强

任务指令可视为间接监督资源，其中包含浅层规则（标记函数），可直接用于注释或特征增强：

• Srivasta va等人将自然语言解释解析为逻辑形式，生成额外二值特征。
• Wang等人利用标签解释自动标注语料，在噪声数据上训练分类器。
• Su等人使用指令丰富模型表示，通过对比学习训练嵌入模型，为未见任务生成基于指令的表示，实现跨任务泛化。

5.3 通用语言模型

通用语言模型应是一个优秀的多任务助手，能以零样本/少样本方式处理各种任务。指令学习在其中扮演关键角色。值得注意的是，InstructGPT和ChatGPT的成功也依赖指令学习技术。虽然ChatGPT还采用了人类反馈强化学习（RLHF），但研究表明，即使没有人类反馈，指令微调也能显著降低模型输出的毒性（如性别和职业偏见）。我们相信，通过持续发展指令学习等技术，AGI目标将更进一步。

编辑：黄飞