零样本提示

有效引导大型语言模型（LLM）需要精密的策略。这些方法改进了基本提示技术，包括构建基本请求和调整温度等参数 (parameter)。零样本提示是一种直接且强大的精密策略。

零样本提示指仅根据描述或指令要求LLM执行任务，而无需在提示本身中提供任务完成的任何示例。你只需说明希望模型做什么，并依赖其广泛的预训练 (pre-training)知识来理解并完成任务。

可以将其想象成给一位经验丰富、之前处理过无数类似任务的同事下达指令。你无需向他们演示如何将邮件分类为垃圾邮件或非垃圾邮件；你只需要求他们“分类此邮件：”并提供邮件内容即可。

零样本提示的运作方式

零样本提示的有效性直接源于大型语言模型的特性。这些模型通过包含来自互联网、书籍、代码等海量文本的数据集进行训练。在训练过程中，它们不仅学习语言结构，还学习了与翻译、摘要、问答、分类甚至简单推理 (inference)等常见任务相关的模式。

当你提供一个零样本提示时，你实际上是以一种激活模型已有能力的方式来制定你的请求。如果任务描述类似于模型在训练中遇到的模式，它通常可以进行泛化并成功执行任务，即使它在当前提示中没有看到你的特定任务通过示例进行说明。现代经过指令微调 (fine-tuning)的模型尤其善于遵循零样本指令。

零样本提示的示例

让我们看几个不同任务的示例：

1. 情感分类：

将以下客户评论的情感分类为积极、消极或中性。

评论: "The setup process was incredibly confusing, but the support team was very helpful in resolving the issue."

情感:

在这里，模型预期能理解情感分类的理念，并将其应用于提供的文本，输出指定的标签之一。

2. 文本摘要：

将以下文章的要点总结为三个要点：

文章: [在此处插入一段长段落或文章文本]

摘要:
*

该指令明确定义了任务（摘要）和期望的输出格式（三个要点）。

3. 信息提取：

从下面的句子中提取人名和他们工作的公司。将输出格式化为 JSON。

句子: "After joining the project, Sarah Lee from Innovate Solutions quickly identified the main bottlenecks."

输出:

此提示要求提取特定实体并指定输出格式（JSON），依赖模型解析文本和组织数据的能力。

4. 简单翻译：

将以下英文文本翻译成法文：

文本: "Hello, how are you?"

法文:

翻译是LLM 常规训练的任务，使其非常适合零样本提示。

零样本提示的优点

• 简单易行： 这是最直接的提示方法。你只需制定清晰的指令。
• 无需示例数据： 你无需整理或格式化示例，这在数据稀缺时可能耗时或很困难。
• 基准性能： 它提供了一种快速衡量LLM在任务上能力的方法，而无需大量提示工程 (prompt engineering)工作。

局限性与考量

零样本提示虽然强大，但并非总是足够的，特别是对于更复杂或专业的任务：

• 性能： 对于高度具体、新颖或需要训练数据中未充分体现的知识的任务，零样本性能可能低于使用示例的方法（如接下来讨论的少样本提示）。
• 指令清晰度： 输出的质量很大程度上取决于指令措辞的清晰度和明确性。模糊的提示会导致更不可预测的结果。
• 模型依赖性： 不同模型之间的零样本能力可能显著不同。更大、更强大或经过指令微调 (fine-tuning)的模型通常在零样本任务上表现更好。

何时使用

零样本提示是许多应用的出色的起点。如果你需要对文本进行分类、翻译语言、摘要内容或执行其他常见NLP任务，请务必先尝试零样本提示。如果性能符合你的要求，你就节省了大量精力。如果不能，它可作为基准，表明可能需要更高级的技术，例如在提示中提供示例。

接下来，我们将研究少样本提示，它涉及向模型提供示例以提高其在特定任务上的性能。然而，理解并有效使用零样本提示是利用LLM固有能力的基本技能。