概念少样本学习 / Few-Shot
Few-Shot Learning
小样本学习（Few-Shot Learning）是一种机器学习范式，旨在使模型仅凭极少量标注样本（通常为1至数十个）即可完成对新任务或新类别的识别与泛化。其核心思想源于元学习（Meta-Learning），通过在多个辅助任务上训练，使模型习得跨任务迁移的通用能力。常见方法包括基于度量的方法、基于优化的方法和基于模型的方法，广泛应用于图像识别、自然语言处理等数据稀缺场景。
核心事实
时间轴 (近 90 天)
7月14日
少样本（Few-shot）提示通过提供示例激活上下文学习能力
已验证65%
全部知识事实 (6)
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
80%已验证少样本（Few-shot）提示通过提供示例激活上下文学习能力
65%待验证提示词工程已发展出思维链（Chain-of-Thought）、少样本学习（Few-Shot Learning）、角色扮演（Role Prompting）等多种成熟范式
90%待验证小样本学习（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
85%待验证使用少样本提示词模板时，2-5个高质量、有代表性的示例胜过大量低质量示例，示例的多样性和边界覆盖度比数量更重要
75%待验证少样本方式在格式化输出、分类任务和规则遵循方面的幻觉率可降低40%-70%
60%