CP-Tuning算法的核心思路是将对比学习与mask语言模型相结合，以进行小样本学习。具体来说，其核心思路主要包括以下几个方面：
1. 替代人工设计的Prompt模板
传统方法中，Prompt模板的设计往往依赖于人工，这既耗时又可能因设计者的主观性而导致结果差异大。CP-Tuning则采用连续Prompt Embeddings的方式，即设计几个变量来代替模板中的元素，让模型在训练过程中自动学习这些变量的最优表示。这种方式减少了人工干预，提高了模型的自适应能力。
2. 使用对比学习代替Verbalizer
在传统方法中，Verbalizer的整理也是一个耗时且影响结果的过程。CP-Tuning通过引入对比学习（Contrastive Learning）来学习label的表征分布，从而代替Verbalizer的功能。对比学习能够使模型更好地捕捉到样本间的相似性和差异性，进而提升模型的分类和预测能力。
3. 提出Pair-wise Cost-sensitive Contrastive Loss (PCCL)
为了进一步改进对比学习效果，CP-Tuning提出了PCCL对比损失变体。这种损失函数能够动态调整每个样本的权重，使模型更加关注那些难以区分的样本对（即hard samples）。具体来说，PCCL通过引入一个对比权重来调整正样本对和负样本对的损失贡献，使得模型在训练过程中更加关注那些需要更多学习的样本对。
4. 结合Mask语言任务(MLM)和对比学习任务(PCCL)
CP-Tuning的模型框架中包含了两个主要任务：Mask语言任务(MLM)和对比学习任务(PCCL)。MLM任务主要用于提升模型的表征学习能力，而PCCL任务则主要用于解决Verbalizer预测的问题。通过将这两个任务结合起来，CP-Tuning能够在小样本场景下实现更好的性能。
5. 引入特殊标记符号
为了更好地实现上述思路，CP-Tuning在输入文本中引入了几个特殊的标记符号，包括[RPO]（代表Prompt模板的mask替代符号）、[TMSK]（代表输入文本中token的mask替代符号，用于MLM任务学习）和[OMSK]（代表输出的mask替代符号，用于表征序列对应的label信息）。这些标记符号的引入使得模型能够更好地处理输入文本并生成相应的输出。
综上所述，CP-Tuning算法通过替代人工设计的Prompt模板、使用对比学习代替Verbalizer、提出PCCL对比损失变体以及结合MLM和PCCL任务等方式，实现了在小样本场景下的高效学习。