从模型重编程（Model Reprogramming），到参数高效微调（PEFT），再到当下大模型时代的 Prompt Tuning ，Prompt Instruction 和 In-context Learning，研究者和 从业人员不断地探索一个核心问题： 在尽量不改动模型参数的前提下，如何最大化地复用预训练模型的能力 ？ 过去几年，这类方法在不同社区中以各自独立的形式快速发展 —— 有的来自对抗鲁棒性与迁移学习，有的服务于下游任务适配，有的则成为大模型对齐与应用的 基础工具。然而，这些看似分散的技术路线，背后是否存在一个更统一、更本质的理论视角？ 近期，来自墨尔本大学可信赖机器学习与推理（TMLR）研究小组和 IBM AI 研究所的研究者系统性地提出了「 神经网络可重编程性（Neural Network Reprogrammability） 」这一统一主题，在最近的一篇 survey 中，将模型重编程，Prompt Tuning、Prompt Instruction 和 In-context Learning 纳入同一分析框架，从 操纵位置、操纵类型、操纵算子和输出对齐四个维度进行了系统梳理与对比。同时 ...