Zero-shot learning
Modellen löser uppgift utan att se några exempel — bara via instruktion. Motsats: few-shot (några exempel i prompten), one-shot (ett exempel), fine-tuning (många exempel).
GPT-3-paper (2020) demonstrerade dramatiskt att stora LLM:er klarar många uppgifter zero-shot. Moderna LLM:er (GPT-4+, Claude, Gemini) gör i praktiken allt zero-shot. Tidigare ML-praxis var att tränas på etiketterad data per uppgift. Zero-shot = stark generaliseringssignal. Mäts i benchmarks som MMLU, HumanEval. Few-shot fortfarande relevant för: domain-specifik formatering, complex reasoning där exempel hjälper, kritiska uppgifter där prompt-engineering vinner.