CoDA：通过思维链引导的领域自适应实现有效的跨领域知识迁移

大型语言模型在逻辑推理方面虽取得进展，但仍落后于人类水平。上下文学习依赖高质量领域示例，但在专家稀缺的低资源领域难以应用。现有跨域样本检索方法因领域分布差异显著，效果有限。为此，本文提出 CoDA 方法，利用轻量级适配器干预中间隐藏状态，结合思维链增强的特征蒸馏与最大均值差异进行分布匹配，对齐源域与目标域的潜在推理表示。多模型家族上的实验表明，该方法显著优于现有最先进基线。