AI Ordbog
Zero-shot learning
AI's evne til at løse opgaver den aldrig har set eksempler på.
Skrevet og redigeret af Kristian Primdal · Sidst opdateret 3. oktober 2026Indhold
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.
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:
- Bred viden. Modellen har set eksempler på næsten alle typer opgaver i sine træningsdata: oversættelser, opsummeringer, klassifikationer. Den har lært hvad disse opgaver indebærer.
- Instruktionsforståelse. RLHF-finjustering har lært modellen at opfatte prompts som instruktioner og handle på dem.
- 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
- Zero-shot. Ingen eksempler. “Klassificér denne tekst som positiv eller negativ: ‘Maden var fantastisk!’” Modellen svarer “positiv.”
- 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 typisk bedre resultater, især for specialiserede eller usædvanlige opgaver.
Hvornår fungerer zero-shot godt?
- Standardopgaver. Oversættelse, opsummering, tekstklassifikation, opgaver modellen har set mange gange i træningsdataene.
- Klare instruktioner. Når opgaven kan beskrives præcist i naturligt sprog uden tvetydighed.
- Brede domæner. Opgaver der kræver generel viden snarere end snæver domæneekspertise.
Hvornår bør du bruge few-shot i stedet?
- Usædvanlige formater. Hvis du vil have output i et specifikt, ukonventionelt format.
- Domænespecifikke opgaver. Når opgaven kræver viden eller terminologi modellen måske ikke kender godt.
- Konsistens. Når du har brug for konsistent output-format på tværs af mange forespørgsler.
Emergent evne Zero-shot learning anses for en “emergent” evne. Den dukker op når sprogmodeller når en vis størrelse. Mindre modeller klarer typisk zero-shot opgaver dårligt, mens større modeller pludselig kan løse dem med høj præcision. Det er et af de mest debatterede fænomener i moderne AI-forskning.
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-4 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 typisk bedre resultater, mens zero-shot er hurtigere og bruger mindre af kontekstvinduet.
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. RLHF-finjustering forstærker denne evne ved at lære modellen at følge instruktioner.