Zero-shot (решение задач без примеров)

Zero-shot learning — способность модели решать задачи для классов или сценариев, которых не было в обучающей выборке, опираясь лишь на текстовое описание задачи без единого демонстрационного примера.

Zero-shot learning — подход в машинном обучении, при котором модель справляется с новыми задачами без каких-либо размеченных примеров: достаточно текстового описания цели или целевого класса. Это принципиально отличается от традиционного supervised learning, требующего сотен или тысяч примеров для каждого нового класса или сценария.

Механизм опирается на богатые семантические представления, накопленные в процессе предобучения на больших текстовых корпусах. Модель «понимает» описание нового класса через семантические связи между словами и переносит знания с изученных концепций на незнакомые. В крупных языковых моделях — GPT-4, Claude 3, Gemini 1.5 — zero-shot способность возникает как эмерджентное свойство масштаба: модели, обученные на достаточно большом корпусе, успешно выполняют задачи, прямо не представленные при обучении. Бенчмарк SuperGLUE показал, что GPT-3 в zero-shot режиме в 2020 году впервые приблизился к среднечеловеческому уровню на ряде задач понимания текста без какой-либо дообучки.

Zero-shot learning радикально снижает стоимость внедрения AI: не нужно собирать и размечать специализированные датасеты для каждой новой задачи. Компании могут развёртывать новые сценарии классификации, извлечения информации или генерации за часы, а не месяцы. Это особенно важно в b2b-сегменте, где задачи узкоспециализированы и размеченные данные труднодоступны.

К 2026 году zero-shot возможности стали стандартным критерием оценки frontier-моделей. GPT-4o, Claude 3.7, Gemini 2.0 демонстрируют высокий zero-shot performance на задачах перевода, кода, математики и логических рассуждений. Вместе с тем надёжность zero-shot остаётся ниже, чем при few-shot или fine-tuning: модели чувствительны к формулировке запроса и могут давать разные ответы на семантически эквивалентные промпты.