待验证85% 置信事实时间未知
小样本学习（Few-Shot Learning）的主流方法包括基于度量学习的Siamese Network、基于元学习的MAML，以及结合预训练大模型的提示微调
1
来源数
85%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
大龄程序员转型AI：2025避坑指南与实战路径
bilibili唐宇迪讲AI
涉及实体
相关事实
已验证Few-Shot Learning是指在提示词中提供少量示例（通常2-8个），让模型通过类比推理完成新任务76% 相似待验证领域自适应作为迁移学习子领域，常用方法包括对抗训练（DANN）、最大均值差异最小化（MMD）以及基于元学习框架（如MAML）的少样本适应75% 相似待验证Warmup策略在训练初期使用极小学习率，待参数进入合理范围后再提升，被大型语言模型训练广泛采用74% 相似待验证Skill 以 Few-shot 示例集合形式呈现时，本质是利用模型的上下文学习（In-Context Learning）能力，无需修改模型权重74% 相似已验证提供3-5个高质量示例（Few-shot Learning）通常能显著提升模型的指令遵循准确率74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/15839API
curl https://kongchang.com/api/v1/knowledge/claims/15839MCP
get_claim(id=15839)