बहु-कार्य प्रॉम्प्ट ट्यूनिंग के प्रदर्शन को बेहतर बनाने के लिए, यह शोधपत्र एक ऐसी विधि प्रस्तावित करता है जो प्रत्येक कार्य के प्रॉम्प्ट को साझा प्रॉम्प्ट (स्रोत प्रॉम्प्ट) और कार्य-विशिष्ट प्रॉम्प्ट (निजी प्रॉम्प्ट) में विघटित कर देती है। प्रशिक्षण के दौरान, स्रोत प्रॉम्प्ट को परिष्कृत किया जाता है और प्रत्येक कार्य के लिए लक्ष्य प्रॉम्प्ट उत्पन्न करने हेतु निजी प्रॉम्प्ट के साथ संयोजित किया जाता है। हम स्रोत प्रॉम्प्ट को संयोजित करने, स्रोत और निजी प्रॉम्प्ट की भूमिकाओं का विश्लेषण करने और प्रदर्शन को अनुकूलित करने हेतु लचीले और ट्यून करने योग्य कॉन्फ़िगरेशन प्रदान करने हेतु कई विधियाँ प्रस्तुत और तुलना करते हैं। प्रायोगिक परिणाम मौजूदा प्रॉम्प्ट ट्यूनिंग विधियों और संबंधित शोध की तुलना में बेहतर सटीकता और सुदृढ़ता प्रदर्शित करते हैं, और विभिन्न कार्यों पर, विशेष रूप से स्मॉल-शॉट सेटिंग में, GLUE बेंचमार्क सहित, अन्य विधियों से बेहतर प्रदर्शन करते हैं। इस उपलब्धि के लिए काफ़ी कम प्रशिक्षण डेटा की आवश्यकता होती है, जो दर्शाता है कि यह विधि स्मॉल-शॉट सेटिंग में उपयोगी है।
