Zero-shot: модель без примеров
Zero-shot промпт — это запрос без каких-либо демонстрационных примеров. Вы просто описываете задачу и ожидаете, что модель справится на основе своих знаний.
Современные большие языковые модели (GPT-4, Claude, Gemini) хорошо справляются с zero-shot задачами благодаря масштабу обучения.
Пример zero-shot классификации:
Определи тональность следующего отзыва. Ответь одним словом: позитивный, негативный или нейтральный.
Отзыв: "Доставка пришла вовремя, товар соответствует описанию, но упаковка была слегка помята."
Для чётко определённых задач с очевидным форматом zero-shot работает отлично.
Few-shot: обучение на примерах
Few-shot промптинг — это когда вы показываете модели несколько пар «ввод → ожидаемый вывод» перед основным запросом. Модель понимает паттерн и применяет его.
Слабый few-shot (непоследовательный формат):
Вопрос: Столица Франции?
Ответ: Париж — красивый город на Сене.
В: Столица Германии?
О: Берлин
Вопрос: Столица Японии?
Проблема: формат меняется (Вопрос/Ответ vs. В/О), длина ответов разная. Модель не знает, какому паттерну следовать.
Сильный few-shot (единый формат):
Классифицируй новость по теме. Темы: Спорт, Технологии, Политика, Культура.
Новость: "Apple представила новый чип M4 для MacBook Pro."
Тема: Технологии
Новость: "Сборная Бразилии вышла в финал чемпионата мира."
Тема: Спорт
Новость: "Правительство утвердило новый бюджет на 2025 год."
Тема: Политика
Новость: "Фильм «Дюна» получил три премии Оскар."
Тема:
Единый формат «Новость / Тема» и три примера чётко задают паттерн.
Сколько примеров нужно?
- 1–2 примера — помогают задать формат
- 3–5 примеров — оптимально для большинства задач
- 6+ примеров — нужны только при сложных или нестандартных задачах
Больше примеров — не всегда лучше. Иногда 2 хороших примера работают лучше, чем 8 посредственных.
Когда few-shot необходим
Few-shot особенно помогает, когда:
- Задача требует нестандартного формата вывода
- Нужен специфический стиль или тон
- Классификация по кастомным категориям
- Извлечение данных в конкретной структуре
Пример: извлечение данных в нужном формате:
Извлеки имя, должность и компанию из текста. Формат: JSON.
Текст: "Встреча с Анной Петровой, директором по маркетингу компании TechStart, прошла успешно."
Результат: {"name": "Анна Петрова", "title": "директор по маркетингу", "company": "TechStart"}
Текст: "Иван Соколов, старший разработчик из DataFlow, представил новый продукт."
Результат: {"name": "Иван Соколов", "title": "старший разработчик", "company": "DataFlow"}
Текст: "Мария Иванова, CEO стартапа CloudBase, привлекла раунд A на $5 млн."
Результат:
Порядок примеров важен
Исследования показывают: примеры, стоящие ближе к концу промпта, имеют большее влияние на ответ. Ставьте наиболее репрезентативный пример последним.