提示工程中的 Zero-shot、One-shot、Multi-shot：它们到底是什么？进阶必看！

已于 2024-11-26 18:13:13 修改
阅读量1.7k 收藏 20
点赞数 23
分类专栏： LLM 文章标签： 大模型 提示工程
于 2024-11-26 18:09:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/surfirst/article/details/144065073
版权

引言

在提示工程（Prompt Engineering）中，Zero-shot、One-shot 和 Multi-shot 是三种常见的提示方式，它们决定了大模型的任务理解和输出质量。本篇文章将通过实例、对比分析和案例研究，帮助读者全面理解这三种提示方式的优缺点及其适用场景。

在这里插入图片描述

1. 概念与实例

以下用一句话简单说明每种提示方法的特点：

  • Zero-shot：直接给模型任务说明而不提供任何示例。

    示例：生成一篇关于气候变化的文章。

  • One-shot：提供一个示例帮助模型理解任务格式。

    示例：生成一篇关于气候变化的文章。示例：气候变化正在加速全球变暖，需要更多国际合作。

  • Multi-shot：提供多个示例以更全面地指导模型输出。

    示例：生成一篇关于气候变化的文章。示例1：气候变化正在加速全球变暖，需要更多国际合作。示例2：温室气体排放增加了极端天气事件的频率，我们应该重视可持续发展。

2. Zero-shot、One-shot 和 Multi-shot 对比

以下表格总结了三种提示方法的优缺点及其适用场景：

提示方式优点缺点适用场景
Zero-shot简单直接，无需准备示例；适用于模型训练数据覆盖较广的任务。模型可能误解任务，输出质量较低，尤其在格式化任务中表现不佳。快速任务，如翻译、简单分类等。
One-shot为模型提供了清晰任务方向，提高输出质量；适用于需要特定格式的场景。无法涵盖多样化需求，可能导致模型忽略边界情况。格式化任务，如摘要、邮件生成等。
Multi-shot提供多样化的示例，可处理复杂任务，提高模型输出的准确性和一致性。准备示例耗时较多，提示长度可能超限，导致计算成本增加。复杂任务，如情感分析、复杂分类等。

3. 案例分析

我们通过一个具体的案例来对比 Zero-shot 和 Multi-shot 提示在客户反馈分析中的效果。以下表格展示了两种方法的用户提示及大模型（LLM）的响应对比：

角色Zero-shot（无示例）Multi-shot（有示例）
用户提示分析这条客户反馈并分类问题。请使用以下类别：UI/UX、性能、功能需求、集成、定价和其他。同时评估反馈的情感（积极/中性/消极）和优先级（高/中/低）。

以下是反馈内容：{{FEEDBACK}}		我们的客服团队收到大量无结构反馈。您的任务是分析反馈并为我们的产品和工程团队分类问题。请使用以下类别：UI/UX、性能、功能需求、集成、定价和其他。同时评估反馈的情感（积极/中性/消极）和优先级（高/中/低）。以下是一个示例：


输入：新的仪表盘真是一团糟！加载速度慢得要命，而且我找不到导出按钮。快点修复！
类别：UI/UX、性能
情感：消极
优先级：高


现在，请分析这条反馈：{{FEEDBACK}}
LLM 的响应以下是对客户反馈的分析：

问题：UI/UX
情感：消极
优先级：高
客户对新的仪表盘设计表示不满，认为界面杂乱且加载缓慢。他们特别提到缺少“导出”按钮，这可能是一个关键功能。该问题需要作为高优先级进行解决。

问题：集成
情感：积极
优先级：中
客户对现有的 Salesforce 集成功能感到满意，但希望也能支持 Hubspot。这是一个可以考虑在未来产品更新中加入的功能需求。

问题：定价
情感：消极
优先级：高
客户认为定价不合理，特别是对于基础功能。他们威胁要转向竞争对手，因此这是一个需要审查的高优先级问题。

问题：性能
情感：消极
优先级：高
客户在使用移动应用上传大文件时遇到严重问题，大文件上传时会崩溃。这是一个显著问题，影响客户有效使用产品，需要作为高优先级进行解决。

问题：UI/UX
情感：积极
优先级：低
客户总体对产品感到满意，特别提到直观的用户界面和出色的客户支持。这是一个不需要立即采取行动的积极反馈。		以下是对客户反馈的分析：

1. 新的仪表盘真是一团糟！加载速度慢得要命，而且我找不到导出按钮。快点修复！
类别：UI/UX、性能
情感：消极
优先级：高

2. 我很喜欢 Salesforce 的集成功能！不过，如果能支持 Hubspot 就更好了。
类别：集成、功能需求
情感：积极
优先级：中

3. 你们的定价太离谱了！基础功能竟然要 99 美元/月？我要转向竞争对手了。
类别：定价
情感：消极
优先级：高

4. 移动应用在上传大文件（>50MB）时总是崩溃。这对我们的现场代理来说至关重要。
类别：性能
情感：消极
优先级：高

5. 总的来说，我对产品感到满意。用户界面很直观，客户支持也很棒。加油！
类别：UI/UX、其他（客户支持）
情感：积极
优先级：低

分析：
在 Zero-shot 场景中，大模型的响应虽然给出了反馈分类和情感/优先级，但存在以下问题：

  1. 分类不够完整：尽管模型的文字分析暗示某些反馈属于多个类别，但它并未明确列出多个选项。
  2. 冗长的解释：模型给出了较长的描述性解释，而这可能并不是我们所需要的。

相较之下，在 Multi-shot 提示中，通过添加具体的示例，模型能够：

  • 明确每条反馈的多类别分类，例如一条反馈可能同时属于 UI/UX 和 性能。
  • 避免冗长的解释，直接以清晰的列表形式呈现每条反馈的分类、情感和优先级，从而更符合实际需求。

为了获得最佳效果，建议在编写 Multi-shot 提示时遵循以下原则：

  1. 相关性：示例需要与实际用例紧密相关。
  2. 多样性：示例应覆盖边界情况和潜在挑战，避免模型学习到意外模式。
  3. 清晰性：将示例用 <example> 标签（或 <examples> 标签嵌套）包裹，提供明确的结构化提示。

4. 总结与展望

通过本文的分析，我们了解了 Zero-shot、One-shot 和 Multi-shot 提示的概念及其适用场景，重点通过案例展示了 Multi-shot 提示的优势。

未来方向：
提示工程还有许多技巧可以帮助提高任务性能，比如：

  • 链式提示（Chain of Thought）：引导模型逐步解决复杂任务。
  • 偏好引导（Preference Prompting）：通过提示框定模型输出风格或范围。
  • 动态提示（Dynamic Prompting）：结合上下文动态生成提示内容。

更多内容将在公众号持续更新，欢迎关注学习！

聊聊zero-shot learning 和 one-shot learning
hestendelin的专栏
11-27 860
Palatucci, Mark, et al. "Zero-shot learning with semantic output codes."Advances in ...
论文笔记：Multi-Label Zero-Shot Learning with Structured Knowledge Graphs
flyminnnnn的博客
06-13 3025
来源：CVPR-2018，台湾国立&CMU，paper 概述 问题描述：针对每一个输入预测多个见过的和没见过的标签 motivation：人类利用兴趣物体之间的语义信息的方式。提出了一个结合知识图谱的框架来描述多标签之间的关系。 模型中学习了一种在语义标签空间的信息传播方式，以此来建模见过的和没见过的label之间的相互依赖。 Introduction 自然图片的标注工作要求神经网络...
零-shot是什么意思呢？
最新发布
weixin_43501408的博客
03-01 278
问题描述：零-shot是什么意思呢？问题解答："零-shot"（Zero-shot）指的是机器学习模型在某一类数据或任务的情况下，仍然能够或该任务或数据的能力。在传统的监督学习中，模型通常需要通过大量的标注数据进行训练，学习如何处理特定类型的任务。但零-shot学习则不依赖于特定任务的训练数据，而是基于模型在其他相关任务中学到的知识，推断出解决新任务的方法。
【计算机视觉】Zero-shot, One-shot和Few-shot的理解
热门推荐
wzk4869的博客
03-09 2万+
【计算机视觉】Zero-shot, One-shot和Few-shot的理解
zero/one shot初步理解
mos1896的博客
10-27 2770
雷郭出品 zero shot指的是在分类任务中 训练集中没有A类的样本，只有B,C,D等类的样本 然后我们希望训练好的网络可以识别出A类 这有点骚 强行叫网络去识别它所没有见过的类别 这感觉不可能实现，毕竟常见的神经网络就是具有这种局限性（没见过就不认识） 资料中显示可以提取出A,B,C,D类的一些共有属性 然后不同属性值的组合可以对应不同的类别 比方说以马，老虎，熊猫为B,C,D类（资料中全是举得这种例子） 以斑马为A类 然后人类根据经验可以使用三种属性来辅助网络识别斑马 像不像马 有没有条纹 是不是黑
Zero-Shot, One-Shot, and Few-Shot Learning概念介绍
weixin_42010722的博客
06-13 1万+
本文将介绍零样本学习、一次样本学习和少样本学习的概念，它们使得机器学习模型能够在仅有有限数量的示例情况下对对象或模式进行分类和识别。在机器学习中，我们通常需要大量的训练数据来训练模型，以便它能够准确地识别和分类新的输入。然而，在现实世界中，获取大规模标记数据集可能是昂贵和耗时的。因此，零样本学习、一次样本学习和少样本学习等技术应运而生，它们旨在解决这个问题。
Zero-Shot、One-shot、Few-Shot 的简介
TFATS的博客
09-20 4424
所以模型需要知道的信息是马的样本、老虎的样本、熊猫的样本和样本的标签，以及关于前三种动物和斑马的描述。”然后，爸爸给小明安排了一个任务，让他在动物园里找一种他从没见过的动物，叫斑马，并告诉了小明有关于斑马的信息：“斑马有着马的轮廓，身上有像老虎一样的条纹，而且它像熊猫一样是黑白色的。如今十分火热的纯监督模型往往需要足够多的样本才能训练出足够好的模型，并且用熊猫训练出来的分类器，只能对熊猫进行分类，其他物种都无法识别，也无法进行特征的综合推理，这样的模型功能还有待完善。
Avatar-Net: Multi-scale Zero-shot Style Transfer by Feature Decoration
07-04
Zero-shot artistic style transfer is an important image synthesis problem aiming at transferring arbitrary style into content images. However, the trade-off between the gener- alization and efficiency...
Zero-Shot-Entity-Linking:零射实体链接将在3分钟内开始突击。 此实施中还包括针对所有实体的硬否定挖掘和编码器
05-20
cd Zero-Shot-Entity-Linking python -m spacy download en_core_web_sm # ~ Multiprocessing Sentence Boundary Detection takes about 2 hours under 8 core CPUs. sh preprocessing.sh python3 ./src/train.py -...
【论文阅读】BC-Z: Zero-Shot Task Generalization with Robotic Imitation Learning
qq_33673253的博客
09-16 1856
在这篇论文中，我们研究了使基于视觉的机器人操纵系统能够泛化到新任务的问题，这是机器人学习中的一个长期挑战。我们从模仿学习的角度来应对这一挑战，旨在研究如何扩展和扩大收集的数据来促进这种泛化。为此，我们开发了一个，该系统可以，并可以根据传达任务的不同形式的信息进行调节，包括预训练的自然语言嵌入或人类执行任务的视频。当将真实机器人上的数据收集扩展到100多个不同的任务时，我们发现该系统可以执行24个看不见的操作任务，平均成功率为44%，而无需对这些任务进行任何机器人演示。
zero-shot single-shot multi-shot
02-26
### Zero-Shot Learning vs Single-Shot Learning vs Multi-Shot Learning #### 定义与概念 Zero-shot 学习是一种特殊形式的学习方法，在这种情况下，模型能够在不接触任何标记样本的情况下识别新的类别。该技术...
Zero-shot、One-shot、Few-shot 三种学习方法的理解
liguiyuan的博客
09-24 4737
在AI模型学习方法中，Zero-shot、One-shot、Few-shot 学习是处理情形的几种重要方法，主要用于解决训练数据少、导致模型泛化能力差的问题。
迁移学习总结(One Shot Learning, Zero Shot Learning)
XJTU_NOC_Wei的博客
09-05 1万+
目录目录 迁移学习 综述 Source Data 与Target Data 都有标签 Fine-tuning Multitask Learning Source Data 有标签Target Data 没有标签 Domain-adversarial training Zero-shot LearningSource Data没有标签 Target Data 有标签 Self-taught Learn
Zero-shot / One-shot / Few-shot Learning
VIEO
04-21 1065
元学习论文总结||小样本学习论文总结 2017-2019年计算机视觉顶会文章收录 AAAI2017-2019 CVPR2017-2019 ECCV2018 ICCV2017-2019 ICLR2017-2019 NIPS2017-2019 转载自：http://www.cnblogs.com/jngwl/articles/10221819.html#top 1. Introduction ...
Zero-shot Learning / One-shot Learning
chenyi9981的博客
06-01 996
Introduction 在 迁移学习 中，由于传统深度学习的 学习能力弱，往往需要 海量数据 和 反复训练 才能修得 泛化神功 。为了 “多快好省” 地通往炼丹之路，炼丹师们开始研究 Zero-shot Learning / One-shot Learning / Few-shot Lea...
zero-shot, one-shot和few-shot
薰珞婷紫小亭子的博客
07-05 9691
zero-shot, one-shot和few-shot
One-Shot都嫌多，Zero-Shot实例样本分割
gzq0723的博客
06-06 783
点击蓝字 关注我们关注并星标从此不迷路计算机视觉研究院公众号ID｜计算机视觉研究院学习群｜扫码在主页获取加入方式计算机视觉研究院专栏Column of Computer Vision Institute给一个包含了未知种类多个实体的没训练过的新样本(the query image)，如何检测以及分割所有这些实例？？？一、分割回顾实例分割（Instance Segmentation）实例分割（Ins...
【有啥问啥】深度学习任务中的 Zero-shot、One-shot 和 Few-shot 是什么？
Chauvin的博客
08-02 2972
Zero-shot、One-shot 和 Few-shot 学习是处理数据稀缺问题的有效策略。在计算机视觉领域，它们为不同的数据场景提供了灵活的解决方案。Zero-shot 学习依赖于语义描述和先验知识，One-shot 学习依赖于度量学习和生成模型，而 Few-shot 学习则利用数据增强和模型正则化技术。通过了解这些方法的原理和应用场景，我们可以更好地设计和优化深度学习模型。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

surfirst

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值