Mennesker lærer nye kategorier fra en håndfuld eksempler. De fleste maskinlæringsmodeller har brug for tusindvis. Læring med få skud mindsker dette hul ved at træne modeller til at genkende nye klasser fra kun få mærkede eksempler.

Tilgange varierer. Metrisk læring træner netværk til at sammenligne eksempler, så nye klasser kan matches ved lighed. Metalæring træner modeller til at lære hurtigt på tværs af mange opgaver. Store sprogmodeller opnår adfærd med få skud alene gennem prompting, uden vægtopdateringer.

Almindelige indstillinger

• Engangseksempel, et enkelt eksempel pr. klasse
• Fem shots, fem eksemplarer pr. klasse
• N-vejs K-shot, N klasser med K eksempler hver
• Nulskud, ingen eksempler, kun beskrivelser

Få-skuds ydeevne halter stadig i forhold til fuld overvågning på de fleste benchmarks. Kløften er ved at blive mindre, især for sprogopgaver, men teknikken fungerer bedst, når den kombineres med stærk fortræning og omhyggeligt promptdesign.