Mennesker lærer nye kategorier fra en håndfull eksempler. De fleste maskinlæringsmodeller trenger tusenvis. Læring med få skudd reduserer dette gapet ved å trene modeller til å gjenkjenne nye klasser fra bare noen få merkede eksempler.

Tilnærmingene varierer. Metrisk læring trener nettverk til å sammenligne eksempler, slik at nye klasser kan matches ved likhet. Metalæring trener modeller til å lære raskt på tvers av mange oppgaver. Store språkmodeller oppnår få-skudds-atferd gjennom kun prompting, uten vektoppdateringer.

Vanlige innstillinger

• Engangsforsøk, ett enkelt eksempel per klasse
• Fem skudd, fem eksemplarer per klasse
• N-veis K-shot, N klasser med K eksempler hver
• Nullskudd, ingen eksempler, kun beskrivelser

Ytelsen med få skudd henger fortsatt etter full overvåking på de fleste ytelsesmål. Gapet er i ferd med å reduseres, spesielt for språkoppgaver, men teknikken fungerer best når den kombineres med sterk forhåndstrening og nøye ledetekstdesign.