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。

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。