总结：
（1）传统的监督学习是输入文本，输出标签，标签可枚举，比如++、--、+、-和～等
（2）对于翻译模型，属于文本-->文本，所以不能固化标签，是一种新的模式，成为seq2seq
（3）基于prompt的模式，能够改进一点，有监督必须存在大量标签数据，而这很难，标注工作繁杂，prompt避免了这个问题，它是直接计算输入文本的概率，最后根据概率和原来监督方式输出的标签建立映射，这样就解决了非监督和具备输出结果的问题
总结：
（1）这个表前面注释写的很清楚，不需要过度解释，其实表达的意思就是通过设置模版，可以完成非监督训练，并且最后通过建立映射完成所有的训练
总结：
（1）通过设置模版可以实现分类、翻译均在一个大模型里面，下游任务只需要很少数据甚至不需要数据去训练，直接输入x到模型，x具体任务定了，输出结果就拿到了
总结：
（1）本段是映射关系建立的方式，如上的几个方法
总结：
（1）本表格内容十分丰富，可以看到task列和input、template，同样是TextCLS的文本分类，可以通过设置不同的template，这一个文本分类就完成了三个任务：情感分类、主题提取和意图识别
