少样本学习

少样本学习是什么？

教小孩认「鸟」，你只要指两三张图说「这是鸟」，他大概就能认出新的鸟。少样本学习（Few-Shot Learning）就是这个思路：给模型几个示例，它就能举一反三，直接上手新任务，完全不用重新训练。

它和传统训练有什么不同？

传统训练要海量数据
以前想让模型学会新任务，往往要成千上万个样本，再花大量算力重新训练。
少样本只要几个例子
把几个例子写进提示词里，模型当场就「学会了」，省时省力又省钱。

为什么「给例子」这么管用？

大模型在海量语料里已经见过了无数种模式。示例的作用不是「从头教」，而是「点醒」它：这次该用哪种模式、按什么格式输出。例子越贴近目标，模型越能对齐。

少样本 vs 零样本

零样本
一个例子都不给，全靠指令描述，适合简单或常见任务。
少样本
给几个精心挑选的例子，适合格式复杂、标准模糊的任务，效果通常更稳。

实践要点

例子要典型
选最接近目标输出、覆盖边界情况的例子。
保持格式一致
输入和输出的结构前后统一，模型更容易照做。
数量不必多
通常 2 到 5 个就够，给太多反而稀释重点、多花 Token。

一句话记住：少样本学习，就是「给几个例子，让模型照着学」。