近年来，语言模型（Language Models, LMs）在广泛的自然语言处理（NLP）任务中取得了令人瞩目的性能。然而，它们的学习能力与人类仍存在显著差距。其中一个关键区别在于学习的效率与灵活性：人类能够仅凭少量标注样例快速掌握新概念，并在一生中不断习得新任务而不遗忘已掌握的知识。相比之下，LMs 通常需要大量数据才能实现有效的泛化，并且在适应具有不同数据分布的新任务时容易出现灾难性遗忘，即忘却先前学到的知识。

本文针对这一挑战，聚焦于类人学习的两个核心方面：（1）小样本学习（few-shot learning），即 LMs 能够从有限的标注数据中实现有效泛化；（2）持续（终身）学习（continual/lifelong learning），即 LMs 在学习一系列任务时能够保留并累积已有知识。在此目标下，我们提出了一系列新颖的框架与学习算法，使 LMs 更加接近类人的学习者，即能够更高效地从少量样例中学习，并在不断变化的数据分布下适应新任务而不发生灾难性遗忘。

首先，我们提出 元提示调优（Meta Prompt Tuning, MPT） 方法，系统探索了元学习如何提升提示调优中的跨任务小样本泛化能力，其核心思想是通过从相关任务中学习提示嵌入的初始化。通过大量实验与分析，我们验证了 MPT 在多种源/目标任务设定下的有效性与局限性。随后，我们研究了 持续序列生成（Lifelong Sequence Generation, LSG） 问题，即在一系列生成任务上持续训练模型，使其能够不断学习新模式的同时保持对旧任务知识的掌握。借鉴人类学习机制，我们提出 动态模块扩展与适应（Dynamic Module Expansion and Adaptation, DMEA） 框架，使模型能够基于任务间相关性动态调整结构，以获取新知识并选择最相关的历史任务来辅助新任务适应。

在此基础上，我们进一步探讨了一个更具挑战性且更贴近现实的场景：持续小样本学习（continual few-shot learning）。在该场景中，模型需要从有限样例中学习新任务，并适应不断演化的任务序列，较好地模拟了人类的增量学习过程。鉴于关系抽取是多种下游 NLP 任务的基础步骤，我们研究了 持续小样本关系学习（Continual Few-shot Relation Learning, CFRL），要求模型能够在一系列小样本任务中不断学习关系模式。我们通过 嵌入空间正则化与数据增强（Embedding space Regularization and Data Augmentation, ERDA） 来解决这一问题。最后，考虑到现有 LMs 在多任务处理上的强大能力，我们提出了一种新的学习范式——终身小样本语言学习（Lifelong Few-shot Language Learning, LFLL），并基于提示调优设计了统一框架 LFPT5，使模型能够在保留历史任务知识的同时，灵活适应新任务类型或新领域。

综上，本论文的工作提升了 LMs 在学习过程中的效率、灵活性与适应性，使其更适合于数据稀缺且不断变化的真实应用场景。通过融合小样本学习与持续学习的最新进展，本研究推动了更接近人类认知学习过程的语言模型的发展。最终，本文证明了 LMs 可以成为更健壮、多才且高效的学习者，从依赖大规模标注数据的传统范式迈向更类人的学习模式。