小样本学习

你是否曾经听过“shots! shots! shots!”这样的声音？在大型语言模型领域，“shots”指的是在训练或微调过程中提供给大语言模型的示例数量。

零样本学习

零样本学习是指大型语言模型在训练过程中未见过该任务的任何示例，仍能完成该任务的能力。此时，大型语言模型完全依赖其预训练阶段习得的知识来完成任务。例如，假设你拥有一款已在海量文本语料上进行过预训练的大型语言模型。您可以使用该大型语言模型对一段新文本进行情感分析等任务，而无需在训练过程中提供任何情感分析的示例。它将利用自身已学习的语言知识来完成该任务。

零样本学习提示

Review: Food is very bad
Sentiment:

完成

Negative

一 shot 学习

一次性学习是指在训练或微调过程中，仅向大语言模型提供一个任务示例。随后，该模型利用这一示例进行泛化，并在新的、未见过的数据上完成相应任务。

一次性学习提示

Review: Food is very bad
Sentiment: Negative
Review: I liked the taste of every dish
Sentiment:

完成

Positive

少 shot 学习

少样本学习是指在提示中为大语言模型提供多个示例。这可以进一步提升大语言模型在该任务上的表现，因为它有了更多的示例可供学习。

少样本学习提示

Review: Food is very bad
Sentiment: Negative
Review: I liked the taste of every dish
Sentiment: Positive
Review: The service was slow and the staff was rude
Sentiment: Negative
Review: The ambiance was cozy and the music was soothing
Sentiment: Positive
Review: The portions were small and the prices were high
Sentiment: Negative
Review: The food was average, nothing special but not bad either
Sentiment: Neutral
Review: The restaurant was clean and well-maintained
Sentiment: Positive
Review: The menu had limited options, but the food was decent
Sentiment: Neutral
Review: The wait time for our food was too long, but the taste made up for it
Sentiment:

完成

Neutral

添加指令

在上述方法中添加一条指令，将通过提供更丰富的上下文和明确的指导，提升大语言模型的性能，使其更好地理解任务并生成更加准确、相关的回复。

例如，原始的零样本学习提示是：

Review: Food is very bad
Sentiment:

通过添加一条指令，提示词变为：

Determine the sentiment of the given review (Positive, Negative, or Neutral)
Review: Food is very bad
Sentiment:

这条新增的指令明确要求大语言模型判断评论的情感倾向，从而更清晰地界定期望的输出。因此，大语言模型更有可能生成正确的回应，在本例中即为“负面”。提供清晰的指令有助于大语言模型聚焦于特定任务，降低生成无关或含糊不清回复的可能性。

“Shots”在LLM中的真实含义

核心逻辑：示例数量越多，模型越能理解“你想要什么格式、什么风格、什么逻辑”，但也会消耗更多的上下文窗口（Context Window）。

为什么叫“shots”？

这个术语源自机器学习中的“少样本学习”（Few-shot Learning），类比人类学习：

• “一次命中”（One-shot）——给你看一张照片，你就能认出这个人

• “几次命中”（Few-shot）——给你看几张不同角度的照片，你才能认出来

• “零次命中”（Zero-shot）——只给你文字描述，你就能认出来

在LLM中，“shots”就是你在Prompt里塞的“示范案例”个数。

各模式的适用场景

实战案例对比

Zero-shot（0个示例）

text

用户：把这句话翻译成法语：“早上好”
模型：Bonjour

模型自己判断“翻译”是什么，结果可能简单也可能啰嗦。

One-shot（1个示例）

text

用户：把这句话翻译成法语。
示例：英语“Hello” → 法语“Bonjour”
现在翻译：“早上好”
模型：Bonjour

模型知道了“只输出翻译结果，不要加解释”，格式更规范。

Few-shot（3个示例）

text

用户：把以下英语单词翻译成法语。
示例1：“Cat”→“Chat”
示例2：“Dog”→“Chien”
示例3：“Bird”→“Oiseau”
现在翻译：“Fish”
模型：Poisson

模型完全理解了任务，输出干净准确。