Как выглядит zero-shot промпт
Пример zero-shot запроса для классификации обращений: «Определи тематику следующего обращения клиента. Возможные категории: жалоба, вопрос, заявка, благодарность. Верни только название категории. Обращение: [текст]». Никаких примеров — только инструкция. GPT-4 и Claude справляются с такими задачами с точностью 85–95% на типовых бизнес-доменах.
Когда zero-shot работает хорошо
Zero-shot эффективен для задач, которые хорошо представлены в обучающих данных модели: классификация текста по стандартным категориям, суммаризация, перевод, ответы на вопросы по предоставленному тексту, извлечение структурированных данных по понятному описанию. Чем более стандартная задача — тем лучше zero-shot.
В системном промпте для классификатора обращений медицинской клиники zero-shot подход даёт точность 91% без единого примера — благодаря правильно описанным категориям и форматам. Примеры потребовались только для пограничных случаев.
Zero-shot vs few-shot: когда добавлять примеры
Если zero-shot даёт нестабильные или неожиданные результаты — добавьте 2–5 примеров (это few-shot промптинг). Примеры особенно важны при нестандартном формате вывода, специфической терминологии компании, тонких разграничениях между похожими категориями. Сначала пробуйте zero-shot, примеры добавляйте при явных ошибках.
Связанные термины
- Few-shot промптинг — добавление примеров для повышения точности
- Промпт-инжиниринг — системная разработка инструкций для модели
- LLM — языковая модель, выполняющая zero-shot задачи
Где применяется
Поможем спроектировать промпты — напишите нам.