Uczenie zero-shot
Model rozwiązuje zadanie bez żadnych przykładów — wyłącznie na podstawie polecenia. Przeciwieństwo: few-shot (kilka przykładów w prompcie), one-shot (jeden przykład) i dostrajanie (wiele przykładów).
Artykuł o GPT-3 (2020) pokazał dobitnie, że duże modele językowe radzą sobie z wieloma zadaniami zero-shot. Współczesne LLM-y (GPT-4+, Claude, Gemini) robią tak praktycznie wszystko. Wcześniej standardem było trenowanie na danych z etykietami osobno dla każdego zadania. Zero-shot to silny sygnał generalizacji; mierzy się go w benchmarkach takich jak MMLU czy HumanEval. Few-shot nadal się przydaje: przy formatowaniu specyficznym dla dziedziny, złożonym rozumowaniu, gdzie przykłady pomagają, i w zadaniach krytycznych, gdzie wygrywa staranny prompt engineering.