文章核心总结与翻译
一、主要内容
文章聚焦大语言模型（LLMs）的上下文学习能力，指出其虽具备任务无关性，但性能始终落后于任务特定微调方法。通过“表征-推理”分解实验，发现差距核心源于LLMs缺乏简单概率推理能力（而非表征信息不足）。为此，提出任务无关推理Transformer（TART），通过合成逻辑回归任务训练独立推理模块，无需微调即可与任意预训练LLM结合，在NLP、视觉、音频多模态任务中提升推理性能，且在RAFT基准测试中让小模型（GPT-NEO 125M）性能超越大模型（BLOOM 176B），接近GPT-3水平。
二、创新点
三、核心部分翻译（Markdown格式）
Abstract
大语言模型（LLMs）具备上下文学习能力，无需任何任务特定训练即可完成多
