Few-shot промптинг: примеры против zero-shot
Zero-shot промпт содержит только инструкции, few-shot добавляет примеры. Когда примеры улучшают результат, а когда приводят к копированию, смещению и дрейфу.
Примеры
Few-shot промптинг — это когда в промпт включают несколько готовых примеров (ввод и желаемый результат), чтобы модель повторила закономерность. Это самый быстрый способ закрепить формат или стиль разметки. Подвох в том, что модели копируют всё, включая причуды, которых вы не планировали, поэтому выбор и баланс примеров важны не меньше, чем сама инструкция.
Your app parses the model’s JSON, but sometimes the reply starts with “Sure! Here is the JSON:”. What is the most robust fix?
Все три ваших примера для классификатора тональности помечены как «positive». Какой побочный эффект наиболее вероятен?
B. Модель будет склоняться к ответу «positive» Модели перенимают распределение меток в примерах. Несбалансированные примеры смещают результат, поэтому смешивайте метки и добавьте пограничный случай.
В zero-shot даётся только инструкция. В few-shot добавляется несколько примеров «ввод — вывод» для этой задачи. Примеры помогают больше всего, когда формат или оценку трудно описать словами.
Обычно от двух до пяти хорошо подобранных, разных примеров. Большее число примеров тратит токены и может привести к тому, что модель начнёт слишком буквально копировать поверхностные детали.
Zero-shot промпт содержит только инструкции, few-shot добавляет примеры. Когда примеры улучшают результат, а когда приводят к копированию, смещению и дрейфу.
Чтобы LLM вернула корректный JSON, одной вежливой просьбы мало. Схемы, режимы структурированного вывода, валидация, повторы и типичные сбои.
Ошибки в промптах, из-за которых ИИ выдаёт плохой результат: от нехватки контекста до противоречивых правил и непроверенных правок. К каждой есть решение.
Короткие тесты о реальных решениях при составлении промптов, с объяснением к каждому ответу. Начать можно бесплатно на iPhone и Android.