Zero-Shot beschreibt die Fähigkeit eines Sprachmodells, eine Aufgabe zu bewältigen, ohne spezifische Beispiele dafür im Prompt oder ein dediziertes Training erhalten zu haben. Das Modell stützt sich ausschließlich auf das während seines Vortrainings erworbene allgemeine Wissen und auf die Anweisungen, die es in natürlicher Sprache erhält. Wenn Sie beispielsweise darum bitten, „diese E-Mail als Spam oder legitim zu klassifizieren“, ohne zuvor einen gelösten Fall zu zeigen, verwenden Sie einen Zero-Shot-Ansatz.
Seine Bedeutung liegt in der Flexibilität: Es ermöglicht die Lösung neuer Probleme, ohne dass markierte Daten gesammelt oder ein erneutes Training durchgeführt werden müssen, was Zeit und Ressourcen spart. Es ist die direkteste Art, mit einem Modell zu interagieren, und die Grundlage, auf der komplexere Techniken aufgebaut werden.
Es sollte von anderen verwandten Ansätzen unterschieden werden:
- Zero-Shot: ohne Beispiele im Prompt.
- Few-Shot: Es werden einige wenige Beispiele eingefügt, um das Modell zu leiten.
In der Praxis funktioniert Zero-Shot bei gängigen Aufgaben gut, aber die Präzision kann bei sehr spezifischen Problemen oder solchen, die ein bestimmtes Ausgabeformat erfordern, abnehmen, wobei das Hinzufügen von Beispielen die Ergebnisse in der Regel verbessert.