零样本学习（Zero-shot Learning）和少样本学习（Few-shot Learning）是衡量 AI 模型泛化能力的关键概念，指模型在没有或仅有极少量示例的情况下能否正确完成新任务。
定义层级
- Zero-shot：不给任何示例，直接描述任务。例如：「将下面文本翻译成法语」，模型从未见过法语翻译的少量示例，但凭训练中的语言能力直接执行
- One-shot：给一个示例。「Q: 海马是什么动物？A: 哺乳动物。Q: 企鹅是什么动物？」模型模仿示例格式回答
- Few-shot：给 3-5 个示例，大幅提升准确率。GPT-3 在 2020 年论文中展示了惊人的少样本能力，也是该论文的标题「Language Models are Few-Shot Learners」的由来
为什么重要
少样本能力是大语言模型与传统深度学习模型的关键分水岭。传统模型需要成千上万的标注数据，而 GPT-4 仅凭几个示例就能学会新任务。这也是 Prompt Engineering 中「给例子」技巧的理论根据。
常见场景
分类任务（情感分析）、翻译、代码转换、风格模仿。