一、文章主要内容总结本文提出了一种名为X-Prompt（可扩展提示）的新型提示技术，旨在突破自然语言（NL）的限制，增强大型语言模型（LLM）的指令理解与生成能力。核心思路是在自然语言提示中引入虚构词（imaginary words），用于表示自然语言难以精准描述的概念（如特定人物的语言风格），同时通过上下文增强学习（CAL）确保虚构词具备分布外（OOD）鲁棒性，可像自然语言词汇一样灵活复用在各类未见过的提示场景中。文章以零样本语言风格定制为核心案例展开实验，包括开放式文本生成和风格迁移（改写）任务：数据集：使用Twitter用户推文数据集（20用户/800用户）、《生活大爆炸》Sheldon台词等风格数据，以及GYAFC、PoliteRewrite风格迁移数据集；模型与训练：基于OPT-6.7B模型，冻结原始权重仅更新虚构词的嵌入，通过模板增强和内容增强（关键词引导）实现CAL；实验结果：X-Prompt在分布内（ID）任务中表现接近提示调优（Prompt Tuning），在分布外（OOD）任务中显著优于现有基线（如自然语言提示、提示调优），能在未见过的主题/指令下，精准生成符合特定风格的内容，同时兼顾内容相关性与风格一致性。二、创新点总结提出X-Prompt框架