提示调谐，只用冻结的语言模型来调谐连续的提示，大大减少了训练时每个任务的存储和内存使用。然而，在NLU的背景下，先前的工作显示，提示调谐对于正常大小的预训练模型表现不佳。我们还发现，现有的提示调谐方法不能处理硬序列标签任务，表明缺乏普遍性。我们提出了一个新的经验发现，即适当优化的提示调谐可以在广泛的模型规模和NLU任务中普遍有效。它与微调的性能相匹配，同时只有0.1%-3%的调整参数。我们的方法

UIE模型，文本-结构化数据