few‑shot learning（少样本学习）

Few-shot Learning 少样本学习（大模型领域精简版）

核心定义

少样本学习 ：仅提供少量标注示例 （通常 1~10 组输入输出样例），模型无需更新参数、不用专项训练，仅凭示例理解任务规则并完成推理，是大模型上下文学习的核心形式。

三类主流范式对比（AI 最常用）

1. Zero-shot 零样本不给任何样例，只靠自然语言指令执行任务。例：直接说 "把这句话翻译成英文"，无参考例句。

2. Few-shot 少样本 给少量样例（1~10 个）辅助模型对齐规则，效果远优于零样本。例：附上 2 组中英对照例句，再让模型翻译新句子。

3. Many-shot 多样本给出几十 / 上百个样例，介于少样本和全量训练之间。

补充：Fine-tune（微调） 和三者本质不同：会用大量数据修改模型权重，属于真正的 "重新训练"，成本更高、落地流程更复杂。

工作原理（大白话）

大模型在预训练阶段已经掌握海量语言模式、逻辑和任务范式。你在提示词里放入几组样例，模型会在单次推理的上下文 中总结规律、模仿格式与逻辑，全程参数不变，仅临时适配当前任务。

典型 Prompt 结构模板

plaintext

任务说明：[描述要做什么]
示例1：
输入：xxx
输出：xxx

示例2：
输入：xxx
输出：xxx

请处理新内容：
输入：[你的内容]
输出：

优缺点

• 优点：上手快、零训练成本、灵活改任务、部署简单
• 缺点：样例质量影响结果极大；复杂推理、小众任务效果易下滑；超长任务受上下文窗口限制