Few-shot 和 Zero-shot 是什么意思?

答案要点

• Zero-shot（零样本）：不给示例，只用文字描述任务，让模型直接作答
• Few-shot（少样本）：在 prompt 里放几个"输入→输出"示例，让模型照着模式做
• 两者都不更新模型参数，靠的是上下文学习（In-Context Learning）能力
• 例子能生效，是因为模型在预训练中学会了"识别并延续上文中的模式"
• 示例的质量、格式一致性、标签均衡都影响效果；简单任务 zero-shot 够用，格式复杂或任务含糊时 few-shot 更稳

核心概念

Zero-shot（零样本）指在 prompt 中不提供任何示例、仅靠自然语言描述任务就让模型完成，例如直接说"判断这句话的情感是正面还是负面"；Few-shot（少样本）指在提问前先给出几个完整的输入输出示例，再让模型处理新输入——这两个词里的 shot 就是"示例"的意思。它们背后共同的机制叫上下文学习（In-Context Learning）：模型不改任何参数，只凭上下文里的信息临时"学会"任务。

几个例子为什么能改变行为

1. 大模型的本职是"延续上文最合理的模式"。当上文连续出现三组"输入→输出"对，对模型来说最合理的续写，就是对新输入产出同样模式的输出
2. 示例传递了文字难以说清的信息：输出格式、详略粒度、边界情况怎么处理——示范一遍胜过描述十句
3. 这不是训练：权重没有任何变化，"学到"的东西只存在于当前上下文，会话一换就消失，所以叫"上下文"学习

怎么选、怎么用