Az emberek néhány példából tanulnak meg új kategóriákat. A legtöbb gépi tanulási modell több ezer példát igényel. A kevéssé hatékony tanulás szűkíti ezt a szakadékot azáltal, hogy a modelleket arra tanítja, hogy csupán néhány címkézett mintából ismerjék fel az új osztályokat.

A megközelítések változatosak. A metrikus tanulás a hálózatokat a példák összehasonlítására képezi ki, így az új osztályok hasonlóság alapján párosíthatók. A meta-tanulás a modelleket a gyors tanulásra képezi ki számos feladatban. A nagyméretű nyelvi modellek kevés próbálkozást igénylő viselkedést érnek el pusztán a promptok segítségével, súlyfrissítések nélkül.

Általános beállítások

• Egyszeri alkalom, egyetlen példa osztályonként
• Öt lövés, öt példa osztályonként
• N-utas K-lövés, N osztály K példával
• Nulla lövés, nincsenek példák, csak leírások

A kevés lövéses teljesítmény a legtöbb referenciaértéken még mindig elmarad a teljes felügyelethez képest. A különbség csökkenőben van, különösen a nyelvi feladatok esetében, de a technika akkor működik a legjobban, ha erős előképzéssel és gondos feladattervezéssel kombinálják.