提示微调（Prompt Tuning），指只用一个冻结的语言模型来微调连续提示向量的方法，大大减少了训练时每个任务的存储和内存使用。
然而，在自然语言理解（Natural Language Understanding, NLU）的背景下，先前的工作表明，以P-Tuning为代表的提示微调算法，在不使用精调的情况下，具有独特的规模效应：当预训练模型规模增长至100亿时，提示微调算法仅以0.01%的微调参数量，便可取得和精调一样好的迁移效果；小于100亿时则不然。
然而，考虑到实际应用中，小于100亿的模型的精调成本也十分高昂，如何将P-Tuning算法应用到这类中小规模的模型上成为大家关注的话题。
为了应对这一挑战，我们提出了基于深度提示微调思想的P-Tuning v2算法，将P-Tuning中原本只加在输入层的可学习微调向量，以前缀的形式添加至预训练Transformer的每一层的输入中，层与层间相互独立；同时，我们证明了在该情况下，我们可以将原本P-Tuning中的语义标签（只能用于文本分类任务和问答任务）替换为传统精调方法使用的下游分类器，以应用于机器阅读理解、命名实体识别和语义角色标注等更具有挑战性的序列标注任务上。
实验结果表明，P-Tuning v2在3亿到100亿参数的广阔参数规模上，均能仅以0.1%～3%的微调参数量，取得和精调方法媲美的迁移效果，并大大超越前代P-Tuning算法；在文本分类和问答到序列标注的广泛任务类型上，P-Tuning v2也总能取得和精调方法接近的表现水平。