Zero-shot、One-shot 和 Few-shot
机器学习中描述模型在不同数据量下完成任务能力的术语，核心区别在于任务执行时提供的示例数量和是否需要额外训练

1. Zero-shot（零样本学习）
- **定义**：模型在没有任何任务相关示例的情况下，直接根据预训练知识完成任务。
- **特点**：
- 依赖模型预训练时学到的泛化能力。
- 无需任何特定任务的标注数据。
- 任务通过自然语言描述（Prompt）传达给模型。
- **示例**：
```text
用户输入：将句子翻译成德语："Hello, how are you?"
模型输出（无需示例）："Hallo, wie geht es dir?"

- **适用场景**：
- 任务简单、定义明确（如翻译、分类）。
- 缺乏标注数据，但信任模型的预训练知识。

2. One-shot（单样本学习）
- **定义**：模型在仅提供一个任务示例后，参考该示例完成任务。
- **特点**：
- 通过单例演示任务格式和预期输出。
- 帮助模型快速理解任务模式。
- **示例**：
```text
用户输入（示例）：
输入："这部电影很棒！" → 情感：正面
输入："这个产品很糟糕。" → 情感：？
模型输出（参考示例）：负面
```
适用场景：
- 任务有一定复杂性，但一个示例足以说明规则。
- 需要平衡效果与数据收集成本。

3. Few-shot（少样本学习）
- **定义**：模型在**少量示例（通常3-5个）**的引导下完成任务。
- **特点**：
- 提供更多上下文，帮助模型捕捉任务规律。
- 显著提升复杂任务的准确性。
- **示例**：
text
用户输入（示例）：
输入："这家餐厅服务很好，但食物一般。"
→ 情感：中性
输入："虽然贵，但体验超值！"
→ 情感：正面
输入："风景美，但人太多了。"
→ 情感：中性
输入："剧本无聊，演员演技差。" → 情感：？
模型输出（参考多例）：负面

适用场景：
任务复杂或存在隐含规则（如情感分析、逻辑推理）
需要更高准确率，且有少量标注数据可用

#有意思的 prompt#

#有意思的 prompt#