少样本提示

换成大白话

少样本提示（Few-Shot Prompting）是在提示词中包含少量（通常1-10个）输入-输出示例，让模型通过模式识别理解任务要求并泛化到新输入。它与零样本（Zero-Shot）相对，介于两者之间的"one-shot"指仅给一个示例。 Few-shot利用了大模型强大的上下文学习能力（In-Context Learning），无需修改模型权重即可适配新任务。示例的选择、数量、顺序和多样性都会影响效果：示例应覆盖典型情况、与目标输入分布一致、避免引入偏见。 Few-shot适用于格式化输出、分类、抽取、风格模仿等任务。但示例会占用上下文窗口并增加token成本，且模型可能过拟合示例的表面模式。在复杂推理任务中，思维链（CoT）等技巧常与few-shot结合使用。

它通常在什么场景出现

这个术语常见于模型选择、训练与微调、推理与部署、评测或产品功能说明等场景；当你遇到“少样本提示”时，多半是在讨论模型行为、处理方式或指标口径。

具体出现在哪类场景，可以用下方“跨库查找”搜索包含该概念的模型、训练、评测或产品资料。

容易混淆的地方

不要把“少样本提示”理解成模型本身的能力或在某个榜单上的具体名次；它更多是描述一种机制、一种处理方式或一个指标口径，而不是模型实力的绝对结论。