Egy gyerek, aki még soha nem látott zebrát, akkor is felismerheti, miután azt mondták neki, hogy úgy néz ki, mint egy csíkos ló. A nulla lövéses tanulás arra kéri a gépeket, hogy valami hasonlót tegyenek: kezeljenek osztályokat vagy feladatokat, amelyekre soha nem képezték ki őket, kiegészítő információk, például attribútumleírások vagy szemantikai kapcsolatok felhasználásával.

Képosztályozás során egy nulla lövéses modellt betaníthatunk macskákon és kutyákon, de megkérhetjük, hogy azonosítson egy farkast. Ha a modell olyan tulajdonságokat tanult meg, mint a „van szőre”, „hegyes fülei vannak” és „falkában él”, akkor ezeket össze tudja állítani a farkas reprezentációjává anélkül, hogy valaha is látna egyet sem. A látható és a nem látható osztályok közötti hidat általában egy megosztott szemantikai tér alkotja, amelyet gyakran szöveges leírásokból vagy tudásgráfokból építenek fel.

Miért fontos

• Új kategóriák jelennek meg folyamatosan, és a címkézésük lassú
• Néhány osztály ritka vagy lehetetlen nagy mennyiségben gyűjteni
• A nagy nyelvi modellek most már számos feladatot elvégeznek nulláról, egyetlen promptból.
• Csökkenti a modell új tartományokba történő telepítésének költségeit.

A legtöbb benchmarkon a nullapontos teljesítmény továbbra is elmarad a felügyelt tanulástól. A különbség szűkül, amikor a segédleírások gazdagok, és a láthatatlan osztályok közel vannak a betanítási eloszláshoz. Amikor messze vannak egymástól, a modell rosszul, de gyakran magabiztosan tippel.