零样本分类
基于预训练大语言模型语义理解能力的文本分类方法，无需针对目标任务收集标注训练数据，仅凭目标类别的文字描述即可判断文本匹配程度，常用BART、RoBERTa等NLI变体模型实现
核心事实
时间轴 (近 90 天)
零样本模型无需标注数据，只要用自然语言写清楚标签就能给出分类结果
当数据充足、类别稳定、成本敏感、流量大时优先训练分类器；当无数据、需快速验证、类别多变时零样本是更合适的起点
推荐路径是早期用零样本快速起步，中期用零样本输出做弱标注构建初始训练集，成熟期迁移到专用分类器降本增效
弱监督标签的质量上限取决于零样本模型本身的准确率，若模型系统性出错训练集会继承该偏差
零样本分类的弱点在于对边界模糊、领域专有的类别判断不够稳定，推理成本随流量线性增长，结果可解释性和可复现性较差
零样本分类器（如基于CLIP或NLI的方案）允许用户以自然语言描述类别，灵活性更高但通常需要更大的基础模型
零样本分类的所有候选项得分之和为 1，候选项越少各项可获得的概率空间越大，因此阈值参数需根据具体类别数量单独校准
Laya 采用零样本分类范式，其底层通常基于经过自然语言推理（NLI）任务微调的预训练语言模型
研究采用无监督主题建模从评论文本中自动识别讨论主题，再用零样本分类将主题归入五个食物获取维度
零样本分类依托预训练大语言模型如BART、RoBERTa的NLI变体的语义理解能力
还有 1 条时间轴事件
全部知识事实 (11)
零样本分类依托预训练大语言模型如BART、RoBERTa的NLI变体的语义理解能力
75%待验证零样本模型无需标注数据，只要用自然语言写清楚标签就能给出分类结果
50%待验证当数据充足、类别稳定、成本敏感、流量大时优先训练分类器；当无数据、需快速验证、类别多变时零样本是更合适的起点
50%待验证推荐路径是早期用零样本快速起步，中期用零样本输出做弱标注构建初始训练集，成熟期迁移到专用分类器降本增效
50%待验证弱监督标签的质量上限取决于零样本模型本身的准确率，若模型系统性出错训练集会继承该偏差
50%待验证零样本分类的弱点在于对边界模糊、领域专有的类别判断不够稳定，推理成本随流量线性增长，结果可解释性和可复现性较差
50%待验证零样本分类器（如基于CLIP或NLI的方案）允许用户以自然语言描述类别，灵活性更高但通常需要更大的基础模型
50%待验证零样本分类的所有候选项得分之和为 1，候选项越少各项可获得的概率空间越大，因此阈值参数需根据具体类别数量单独校准
50%待验证Laya 采用零样本分类范式，其底层通常基于经过自然语言推理（NLI）任务微调的预训练语言模型
50%待验证研究采用无监督主题建模从评论文本中自动识别讨论主题，再用零样本分类将主题归入五个食物获取维度
50%待验证机器分类结果与人工编码对照达到了85.4%的一致率
50%