解析：
Few-shot Learning 的核心特徵是透過少量示例引導模型適應新的情境或分類需求，無需大規模標註資料，適合訓練範例有限的場景。
搜尋意圖： 如果你在找「少樣本學習 是什麼」、「少樣本學習 會怎麼考」或「少樣本學習 和相近概念差在哪」，先看這頁的定義、考點定位與延伸比較。
TL;DR： 少樣本學習讓模型僅憑少數標記範例即可泛化至新任務，突破傳統機器學習對大量訓練資料的依賴
實用情境： 適合用在 iPAS 複習、面試快查與閱讀 AI 文章時快速校正概念邊界。
下一步： 先讀完定義，再往下看範例考題與延伸比較，把概念轉成可作答的判斷。
你有沒有遇過，資料只給你幾個例子，卻還希望模型能學會？
你可以把少樣本學習想成「看幾個範例就能抓到規則」的能力，資料不多也能先做出可用表現。
它重要，是因為很多真實問題根本湊不到大量標記資料，尤其是新領域、罕見事件或高成本標註任務。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
少樣本學習 vs 傳統監督式學習 傳統監督式學習通常需要大量標記資料。 少樣本學習要在資料很少時也能快速泛化。
少樣本學習 vs 微調 少樣本學習強調少量範例就能適應。 微調是把既有模型再訓練一段時間，兩者常一起用，但不是同一件事。
記住這句就好
只看幾個例子，還能抓到規則，就是少樣本學習。
實際案例
罕見疾病分類 每種病只有少量影像，模型仍要能根據少數案例學到辨識方向。
新客服類型 新產品剛上線，標註對話不多，但系統仍要能先回答或分類常見意圖。
算法與應用
常見方法會借助預訓練模型、相似度比對、度量學習或提示式學習。 這類方法常見於自然語言處理、影像辨識和罕見事件偵測。
iPAS 考題
Q：少樣本學習的核心特性是什麼？ → 在標記資料很少的情況下，仍能讓模型學會新的任務或類別。
Q：少樣本學習為什麼在實務上重要？ → 因為很多資料昂貴、罕見或很難標記，不能只靠大量資料才能上線。
情境判斷
Q1： 如果你只有每類 5 張圖，還想訓練出可用模型，少樣本學習有機會嗎？
有機會，因為它就是在這種資料稀少的條件下發揮。
Q2： 只要資料少，就一定要用少樣本學習嗎？
不一定，如果任務很單純，傳統方法或資料增強可能更划算。
常見問題
少樣本學習等於零樣本學習嗎？
不等於，零樣本學習是完全沒看過標記例子，少樣本學習至少還有幾個。
少樣本學習一定要大模型嗎？
不一定，但預訓練能力強的模型通常更有優勢。
它和提示工程有關嗎？
很有關，尤其在大型語言模型裡，提示常是少樣本學習的重要方式。
資料少就一定會更準嗎？
不是，少樣本只是降低資料需求，不保證免除錯誤。
範例考題
某市政府環保局想建立一個垃圾分類查詢系統，讓民眾輸入物品名稱後自動判斷分類。由於垃圾種類繁多，但每種分類的訓練範例有限，工程師決定採用少樣本學習（Few-shot Learning）技術。下列何者為少樣本學習（Few-shot Learning）的主要特徵？
- A. 需重新蒐集大規模標註資料，以確保模型具備穩定表現
- B. 透過少量任務示例，引導模型適應新情境或新分類需求 ✓ 正確答案
- C. 不需任何範例輸入，即可完成新任務推論
- D. 僅適用於自然語言處理任務，對其他模態效果有限