Lidé se učí nové kategorie z hrstky příkladů. Většina modelů strojového učení potřebuje tisíce příkladů. Učení několika pokusů tuto mezeru zmenšuje tím, že trénuje modely k rozpoznávání nových tříd pouze z několika označených vzorků.

Přístupy se liší. Metrické učení trénuje sítě k porovnávání příkladů, takže nové třídy lze porovnávat podle podobnosti. Meta-učení trénuje modely k rychlému učení se v mnoha úlohách. Rozsáhlé jazykové modely dosahují chování s malým počtem pokusů pouze prostřednictvím nabídek, bez aktualizací váh.

Běžná nastavení

• Jednorázový, jeden příklad na hodinu
• Pět ran, pět příkladů na hodinu
• N-směrný K-shot, N tříd s K příklady pro každou
• Nulový záběr, žádné příklady, pouze popisy

Výkon několika pokusů stále zaostává za plným dohledem ve většině benchmarků. Rozdíl se zmenšuje, zejména u jazykových úloh, ale tato technika funguje nejlépe v kombinaci se silným předtréninkem a pečlivým návrhem prompts.