文章主要内容和创新点主要内容本文聚焦大型语言模型（LLMs）在数据稀缺场景下对未见过任务的跨任务迁移挑战，提出了一种名为CAST（Cross-task Activation Steering Transfer）的新型跨任务激活引导迁移框架。通过分析LLMs潜在空间中的激活模式，研究发现少样本提示诱导的增强激活在不同任务中存在一致模式。基于此，CAST框架通过以下步骤实现高效跨任务迁移：从高资源任务中筛选具有影响力和多样性的代表性样本；计算这些样本在少样本与零样本提示下的激活差异，得到对比增强激活；将该激活差异注入低资源任务的前向传播过程，引导模型迁移高资源任务知识。实验在跨领域（如从新闻分类到医疗问答）和跨语言（如英日、德法等语言对）场景中进行，结果表明CAST在性能上优于现有基线方法，同时具有更强的可扩展性和更低的计算成本。创新点首次从激活角度分析提示模式：通过矩阵熵和t-SNE聚类分析，发现少样本提示比零样本提示编码更丰富的特征，且两者的激活差异在跨任务潜在空间中呈现近似平行的一致模式，为潜在空间迁移提供理论支持。提出无参数更新/输入扩展的迁移框架：CAST无需微调模型参数或扩展输入长度，通过操纵模型内部激活状态实现跨任务迁移，解决了现有方法在鲁棒性、可扩展性和效率上的局限。验证多场景有效性：在跨领域和跨语言任务中均表现优异，且