零样本

换成大白话

零样本（Zero-Shot）是指在不提供任何输入-输出示例的情况下，仅通过任务描述和指令让模型直接作答的提示方式。它依赖模型在预训练中习得的通用能力，无需示例即可理解任务意图。 零样本的优势是简洁、不占用上下文窗口、泛化性好；劣势是在格式化输出、复杂任务上效果不如few-shot。研究表明，大模型在零样本下的表现随参数规模增长而提升，是"涌现能力"的体现之一。 零样本常作为模型能力的基线，与few-shot、CoT对比。在实际应用中，简单任务用零样本即可，复杂任务可叠加few-shot和CoT。理解不同提示方式的适用边界，是提示工程的基本功。

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“零样本”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“零样本”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。