Few-shot学习是指少样本学习，当模型在学习了一定类别的大量数据后，对于新的类别，只需要少量的样本就能快速学习，对应的有one-shot learning，单样本学习，也算样本少到为一的情况下的一种few-shot learning。

 

在模型训练中（相似度判断方法）：

• 基于少量企鹅样本并结合相识度判断，推论未知图片内含“企鹅”

 

在提示词优化中：

• Few-shot主要用于基于少量示例，让模型参考示例回答。
•  

简单来说就是“用示例定义任务，在模型的预训练知识的基础上，提升模型回答的对齐精度（比如参考示例的格式）”

 

比如：

请抽取产品名称和核心卖点2个字段，格式为Json，我提供2个示例。

示例1：MacBookPro高效节能，性能强大，适合牛马工作使用

输出：{“产品名称”: “MacBookPro”, “产品卖点”: “高效节能，性能强大”}

示例2：联想笔记本拥有RTX4060独立显卡，畅玩游戏，丝滑流畅

输出：{“产品名称”: “联想笔记本”, “产品卖点”: “畅玩游戏，丝滑流畅”}

请处理：华为MatepadPro，高清大屏，长效续航，你的好帮手。

 

{“产品名称”: “华为MatepadPro”, “产品卖点”: “高清大屏，长效续航”}