Spring til indhold
AI Ordbog

AI Ordbog

Zero-shot learning

AI's evne til at løse opgaver den aldrig har set eksempler på.

Kristian Primdal Skrevet og redigeret af Kristian Primdal · Sidst opdateret 16. oktober 2026

Indhold

Hvad er zero-shot learning?

Zero-shot learning er en AI-models evne til at løse en opgave den aldrig har set eksempler på. “Zero” refererer til nul eksempler. Modellen klarer opgaven baseret udelukkende på instruktionen, uden nogen demonstration.

Når du skriver “Oversæt denne tekst til japansk” til ChatGPT, og den gør det korrekt, selvom du ikke har vist den et eneste oversættelseseksempel, er det zero-shot learning. Modellen forstår instruktionen og anvender sin brede viden til at løse opgaven.

Begrebet stammer fra billedgenkendelse, hvor det omkring 2009 betød at genkende klasser, modellen ikke var trænet på. Med GPT-3-artiklen (Brown et al., 2020) blev det udbredt om sprogmodeller, der løser en opgave ud fra en instruktion uden eksempler.

Det er en af de mest bemærkelsesværdige egenskaber ved store sprogmodeller. Tidligere krævede enhver AI-opgave specifik træning med tusindvis af eksempler. Med zero-shot learning kan du bare bede modellen om at gøre noget, og den gør det. Ofte overraskende godt.

Hvordan fungerer zero-shot learning?

Zero-shot learning fungerer fordi modellen under præ-træning har opbygget en dyb forståelse af sprog, koncepter og opgavetyper:

  1. Bred viden. Modellen har set eksempler på næsten alle typer opgaver i sine træningsdata: oversættelser, opsummeringer, klassifikationer. Den har lært hvad disse opgaver indebærer.
  2. Instruktionsforståelse. Instruction tuning og RLHF har lært modellen at opfatte prompts som instruktioner og handle på dem.
  3. Generalisering. Modellen kan kombinere sin viden om sprog og opgavetyper til at løse opgaver den aldrig præcist er blevet bedt om at løse.

Zero-shot vs. few-shot

  1. Zero-shot. Ingen eksempler. “Klassificér denne tekst som positiv eller negativ: ‘Maden var fantastisk!’” Modellen svarer “positiv.”
  2. Few-shot. Nogle eksempler. Du viser modellen 3-5 eksempler, og den følger mønsteret. Typisk mere præcist og konsistent end zero-shot.

Zero-shot er hurtigere (mindre prompt) men kan være mindre pålideligt. Few-shot kræver mere plads i kontekstvinduet men giver ofte bedre resultater, især for specialiserede eller usædvanlige opgaver. Med reasoning-modeller kan det vende: DeepSeek fandt, at few-shot prompting konsekvent gjorde DeepSeek-R1 dårligere, og anbefaler zero-shot (DeepSeek-AI, 2025).

Hvornår fungerer zero-shot godt?

  1. Standardopgaver. Oversættelse, opsummering, tekstklassifikation, opgaver modellen har set mange gange i træningsdataene.
  2. Klare instruktioner. Når opgaven kan beskrives præcist i naturligt sprog uden tvetydighed.
  3. Brede domæner. Opgaver der kræver generel viden snarere end snæver domæneekspertise.

Hvornår bør du bruge few-shot i stedet?

  1. Usædvanlige formater. Hvis du vil have output i et specifikt, ukonventionelt format.
  2. Domænespecifikke opgaver. Når opgaven kræver viden eller terminologi modellen måske ikke kender godt.
  3. Konsistens. Når du har brug for konsistent output-format på tværs af mange forespørgsler.

Emergent evne Zero-shot-evnen vokser med modellens størrelse. Mindre modeller klarer typisk zero-shot opgaver dårligt, mens større modeller kan løse dem med høj præcision. I GPT-3-artiklen steg zero-shot-præstationen gradvist med størrelsen. Om nogle evner dukker pludseligt op (“emergent”), eller om det skyldes måden man måler på, er omdiskuteret.


FAQ

Hvad er zero-shot learning?

Zero-shot learning er en AI-models evne til at løse opgaver uden at have set nogen eksempler. Modellen forstår instruktionen baseret på sin brede viden fra præ-træning og handler på den. Det er en af de mest bemærkelsesværdige egenskaber ved store sprogmodeller som GPT og Claude.

Hvad er forskellen på zero-shot og few-shot learning?

Zero-shot bruger nul eksempler. Modellen løser opgaven ud fra instruktionen alene. Few-shot bruger nogle få eksempler (typisk 2-10) til at demonstrere opgaven. Few-shot giver ofte bedre resultater med almindelige sprogmodeller, mens zero-shot er hurtigere og bruger mindre af kontekstvinduet. Med reasoning-modeller kan few-shot dog gøre resultatet dårligere.

Hvorfor kan LLM'er klare zero-shot opgaver?

Fordi de under præ-træning har set milliarder af eksempler på tekst der inkluderer alle typer opgaver: oversættelser, opsummeringer, spørgsmål-svar osv. Modellen har lært hvad disse opgaver indebærer og kan generalisere til nye variationer. Instruction tuning og RLHF forstærker denne evne ved at lære modellen at følge instruktioner.


Relaterede termer