Zero-shot是指学习在训练阶段不存在与测试阶段完全相同的类别，但是模型可以使用训练过的知识来推广到测试集中的新类别上。

这种能力被称为“零样本”学习，因为模型在训练时从未见过测试集中的新类别，在模型训练和提示词优化中均有体现。

 

在模型训练中：

• 已知马（四脚兽）、虎（有条纹）、熊猫（黑白色）的特征，但未训练过斑马的数据（不认识）
• 告知模型：斑马是四脚兽、有黑白色的条纹
• 模型可以在已知数据中进行推理，从而识别斑马。

 

在提示词优化中：

• Zero-shot思想用于基于已训练的能力，不提供任何示例，仅通过语言去描述任务的要求、目标和约束，让模型直接生成结果。

简单来说就是“用语言定义任务，解放（信任）模型的预训练知识”

 

比如：

请判断””包围的用户评论中的情感倾向，输出 正面 或 负面。

”这款代餐鸡胸肉饱腹感很强，吃起来也不柴，很推荐！”