Обучение без примеров (Zero-Shot Learning)

Zero-shot обучение (или zero-shot промптинг) описывает ситуацию, когда LLM правильно выполняет задачу, не получив ни одного примера именно этой задачи — без демонстрационных пар вход/выход, только инструкцию. Это возможно потому, что большие базовые модели впитывают настолько широкие общие знания и способность к распознаванию паттернов во время предобучения, что часто могут обобщать на новую задачу исключительно на основе чёткого описания на естественном языке того, что требуется, без необходимости заранее показывать, как выглядит "хороший" ответ. Это важно для разработчиков SaaS, потому что именно способность к zero-shot делает LLM такими быстрыми для прототипирования: часто можно выпустить рабочую функцию — классификацию, извлечение данных, перевод, суммаризацию — имея лишь хорошо написанный промпт, без сбора обучающих данных, без пайплайна дообучения, и улучшать качество исключительно за счёт доработки инструкции. Конкретный пример: разработчик хочет классифицировать заявки в службу поддержки по срочности, ни разу не обучив классификатор и не показав модели примеры. Zero-shot промпт вроде `"Классифицируй срочность этой заявки в поддержку как Низкая, Средняя или Высокая. Заявка: 'Ваше приложение упало, и я потерял 3 часа несохранённой работы, это недопустимо.' Ответь только уровнем срочности."` надёжно возвращает `"Высокая"` — модель никогда не видела именно эту заявку или задачу, но обобщает на основе широкого понимания языка того, как звучит срочность и раздражение. Zero-shot производительность противопоставляется few-shot (предоставление нескольких примеров в промпте для демонстрации желаемого паттерна, что улучшает точность на более сложных или специфических задачах) и дообучению (fine-tuning) (обучение весов модели на множестве примеров для задач, требующих максимальной согласованности при масштабе). Практическое правило: начинайте с zero-shot ради скорости, добавляйте few-shot примеры, если выходные данные непоследовательны или не соответствуют нужному формату, и инвестируйте в дообучение только если вам нужна надёжность и экономическая эффективность при большом объёме, которую одно только промптирование не может стабильно обеспечить. Надёжность zero-shot также сильно зависит от того, как описана задача: неоднозначная или недостаточно детализированная инструкция ("это хорошо?") даёт непоследовательные zero-shot результаты, тогда как точная инструкция с явными ограничениями на выходные данные ("оцени тональность этого отзыва о товаре ровно одним из вариантов: позитивная, негативная, нейтральная — ответь только этим словом") даёт гораздо более надёжное zero-shot поведение, потому что у модели меньше пространства для разной интерпретации задачи от вызова к вызову. Именно поэтому "промпт-инжиниринг" для zero-shot задач на самом деле сводится к устранению неоднозначности, а не к добавлению изобретательности — скучно-однозначная инструкция стабильно превосходит расплывчатую, но эффектно звучащую в продакшне.