Människor lär sig nya kategorier från en handfull exempel. De flesta maskininlärningsmodeller behöver tusentals. Fåstegsinlärning minskar den klyftan genom att träna modeller att känna igen nya klasser från endast ett fåtal märkta exempel.

Metoderna varierar. Metrisk inlärning tränar nätverk att jämföra exempel, så att nya klasser kan matchas genom likhet. Meta-inlärning tränar modeller att lära sig snabbt över många uppgifter. Stora språkmodeller uppnår få-stegs-beteende genom enbart prompter, utan viktuppdateringar.

Vanliga inställningar

• Engångsexempel, ett enda exempel per klass
• Fem skott, fem exempel per klass
• N-vägs K-shot, N klasser med K exempel vardera
• Nollskott, inga exempel, bara beskrivningar

Prestandan med få övningar släpar fortfarande efter i förhållande till full övervakning på de flesta testnivåer. Gapet minskar, särskilt för språkuppgifter, men tekniken fungerar bäst i kombination med stark förträning och noggrann promptdesign.