少样本与零样本：示例到底有多大用

给模型一个任务，你可以什么都不举例，只写清楚指令（零样本）；也可以先摆几个输入输出的例子，再让它照着做（少样本）。这两种范式成本与效果差别很大，选错了要么多花钱，要么效果打折。

零样本：靠指令直接驱动

零样本（Zero-Shot）不提供任何示例，全凭模型在预训练里学到的知识与指令理解能力。它对常见、定义清晰的任务很有效，比如「把这段话翻译成英文」「判断这条评论是正面还是负面」。优点是省 token、速度快，缺点是遇到冷门格式或隐性规则时容易跑偏。

少样本：用例子锚定格式与风格

少样本（Few-Shot）在提示里塞几个示范，模型会隐式地模仿这些例子的结构、语气与边界。它对「格式奇怪」「规则隐含」的任务特别有用，比如特定字段的抽取、某种固定文风。示例越多越稳，但也要权衡 token 成本。

零样本：判断情感：这部电影太精彩了。
少样本：
例1 输入：服务很差。输出：负面
例2 输入：超出预期。输出：正面
输入：节奏拖沓。输出：？

示例该怎么挑

少样本的效果高度依赖示例质量。挑覆盖典型 case、包含边界与反例的样本，比随便凑几个更有用；保持示例格式一致，避免互相矛盾。若任务有多个子类，最好每类都给一个。当零样本已经达标时，就别硬上加示例——多花的 token 不划算。

小结

零样本靠指令直接驱动，省成本、适合常见任务；少样本靠示例锚定格式与隐性规则，适合冷门或格式敏感的场景。示例要挑得有代表性、覆盖边界，且只在零样本不够用时才上，才能把效果与开销平衡好。

参考与延伸阅读

• Brown et al. Language Models are Few-Shot Learners（NeurIPS 2020，GPT-3 论文）。系统展示了少样本能力的规模规律。已核验。
• 具体示例数量与挑选策略以任务实测为准，不同模型对示例敏感度不同。待核实。