零樣本與少樣本學習（Zero-shot / Few-shot Learning）是什麼？

零樣本與少樣本學習是指大型語言模型在不更新參數的情況下，僅憑提示詞中的說明或少量範例完成新任務，也稱為情境學習。OpenAI 2020 年發表 GPT-3 論文〈Language Models are Few-Shot Learners〉，展示 1,750 億參數模型在多種任務上用少樣本方式就有接近微調模型的表現。

基礎概念Few-shotZero-shot少樣本零樣本In-context learning情境學習

一句話說明

不重新訓練模型，只在提示詞裡給零個或幾個範例，就讓模型完成新任務的使用方式。

零樣本與少樣本學習怎麼運作？

1. 零樣本：只用文字說明任務，例如「把下面句子翻成英文」。
2. 單樣本：附上一個示範輸入與輸出。
3. 少樣本：附上幾個示範，讓模型看出格式與規則。
4. 模型根據提示中的範例推論，直接產生答案，不需重新訓練。

實際例子

• 給三個「評論→正面／負面」範例，讓模型分類新評論。
• 提供兩封範例信件格式，請模型照格式寫第三封。
• 只說明欄位名稱，就請模型從文章中抽出資料。

常見誤解

常見問題

少樣本和微調要怎麼選？

任務簡單、範例少、需要快速嘗試時用少樣本；需要穩定大量處理、或提示詞放不下所有規則時再考慮微調。

零樣本效果不好怎麼辦？

可以先加上幾個清楚的範例，或要求模型逐步思考（思維鏈），通常能改善結果。

相關名詞

提示工程、思維鏈、微調、大型語言模型

參考來源

• Brown et al., Language Models are Few-Shot Learners（GPT-3，arXiv 2005.14165）

查核日期：2026-09-28。API：/api/term?id=few-shot