CP-Tuning算法在多个GLUE小样本数据集上的验证结果相当显著。具体来说，CP-Tuning通过将对比学习与mask语言模型结合，提出了一种新的小样本学习框架，并在情感分析、句子匹配、语言推理、主体分类等多个任务上进行了测试。以下是具体的验证结果：
验证结果概述
数据集：CP-Tuning在GLUE（General Language Understanding Evaluation）数据集上的多个任务上进行了验证，这些任务包括但不限于情感分析、句子匹配、语言推理等。
模型选择：论文中选择了RoBERTa与ALBERT作为Backbone（基础模型）进行实验。
提升效果：实验结果显示，CP-Tuning模型在大多数数据集上都有显著的提升。特别是在MRPC数据集上，虽然具体提升数值未直接给出，但论文指出CP-Tuning模型在所有任务的平均Avg指标上有超过3个点的提升。
具体任务与数据集验证结果
虽然文章没有直接列出每个GLUE任务的具体数据集和提升数值，但我们可以根据GLUE任务的一般性和CP-Tuning的设计思路推测其验证结果。GLUE任务涵盖了自然语言推断、文本蕴含、情感分析、语义相似等多个方面，CP-Tuning通过对比学习和mask语言模型的结合，能够更有效地捕捉样本间的相似性和差异性，从而在小样本场景下实现更好的性能。
创新点与优势
连续Prompt Embeddings：CP-Tuning使用连续Prompt Embeddings代替人工设计的Prompt模板，让模型自动学习最佳的Prompt表示，减少了人工干预和模板设计带来的不确定性。
对比学习：通过对比学习来学习label的表征分布，代替了传统的verbalizer整理过程，进一步提高了模型的泛化能力和性能。
Pair-wise Cost-sensitive Contrastive Loss (PCCL)：CP-Tuning提出了PCCL对比损失变体，通过动态调整每个样本的权重，使模型更加关注难以区分的样本对，从而提高了模型在小样本场景下的学习能力。
综上所述，CP-Tuning算法在多个GLUE小样本数据集上的验证结果非常积极，显示了其在小样本学习领域的强大潜力和实际应用价值。