Few-shot 与 Zero-shot 的本质区别
答案要点
- 本质区别:提示中是否提供任务示例,两者都不更新参数
- Zero-shot 依赖预训练知识和指令遵循能力
- Few-shot 通过上下文学习对齐格式、标签含义与判断边界
- 零样本越强说明泛化与指令理解能力越强,常得益于指令微调与对齐
- 零样本强可省示例与 token,但复杂或特殊格式任务仍受益于示例
易错点
- 把 Few-shot 误认为会更新模型参数
- 认为零样本强就完全不需要示例
- 示例类别分布失衡,导致输出偏向某一类
面试官常见追问
- Few-shot 的示例怎么选?
- 提示里的 Few-shot 和少样本微调有什么区别?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。