什么是少样本学习？
少样本学习（Few-shot Learning）是指在提示词中给大模型提供几个输入输出示例，让模型通过这些示例理解任务要求，然后处理新的输入。这是大模型在 2020 年 GPT-3 时代就展现出的强大能力——不需要重新训练，只需要几个示例就能学会新任务。
少样本学习的工作原理
当你给模型提供几个示例时，这些示例会出现在模型的上下文窗口中，模型会"看到"示例中的模式，并在处理新输入时模仿这种模式。例如，你给模型 3 个"英文→中文"的翻译示例，它就能翻译新的英文句子，即使你从来没有明确告诉它"请翻译"。
少样本 vs 零样本
零样本（Zero-shot）：不给任何示例，直接下达指令。例如"请将以下英文翻译成中文"。
少样本（Few-shot）：给 2-5 个示例，让模型理解模式。例如给出 3 个翻译示例后，让模型翻译第 4 句。
多样本（Many-shot）：给更多示例（10 个以上），有时能接近微调的效果。
少样本学习的应用
少样本非常适合格式转换类任务（如 JSON 格式化、文本分类、命名实体识别翻译），以及那些难以用语言描述清楚的任务。它的优势在于灵活——你随时可以更换示例来改变模型的行为，无需训练。