搜尋意圖： 如果你在找「零樣本學習 是什麼」、「零樣本學習 會怎麼考」或「零樣本學習 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： 零樣本學習讓模型無需任何該類別的訓練範例，憑藉預訓練知識即可識別與處理未見過的類別
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，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有遇過模型沒看過這個類別，卻還希望它直接判斷？
你可以把零樣本學習想成，模型沒看過範例，也能靠先前學到的知識和類別描述去猜新類別。
它重要，是因為很多新任務根本沒有足夠標註資料，但系統又不能等資料慢慢補齊。
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
零樣本學習 vs 少樣本學習 零樣本學習沒有示範例子，少樣本學習還是會給幾個例子。
零樣本學習 vs 監督式學習 監督式學習通常要大量標註資料，零樣本學習則靠既有知識和語意關係推斷。
零樣本學習 vs 遷移學習 遷移學習是把舊能力搬到新任務，零樣本學習則是連新類別的示範都不給。
最關鍵的區別：零樣本是「沒看過例子也要會」。
記住這句就好
沒例子，也要能靠知識猜出來。
實際案例
新商品分類 電商剛上架一批全新商品，還沒時間標很多資料，系統可以根據商品描述和類別名稱先做初步分類。
跨語言任務 模型沒看過某些語言的標註資料，仍能靠訓練時學到的語意關聯處理部分任務。
算法與應用
零樣本學習常把類別名稱、文字描述或屬性當成橋樑，讓模型從已知類別推到未知類別。
它常出現在圖像分類、文字分類、檢索和大型語言模型的提示式任務裡。
真正的挑戰不是「能不能猜」，而是「在沒示範的情況下，猜得穩不穩」。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 零樣本學習 | 台灣正式用語 |
| 零样本学习 | 簡體寫法 |
| Zero-Shot Learning | 英文原名 |
| ZSL | 縮寫 |
| 零樣本推論、Zero-shot prompting | 大型語言模型脈絡下的說法 |
零樣本、單樣本、少樣本
| 名稱 | 給模型看幾個例子 |
|---|---|
| 零樣本（zero-shot） | 0 個，只給任務描述 |
| 單樣本（one-shot） | 1 個 |
| 少樣本（few-shot） | 通常 2 個到數十個 |
這組詞在兩個脈絡下意思不同，很容易混淆。
傳統零樣本學習指的是模型要辨識訓練時完全沒看過的類別，做法是透過語意屬性或文字描述當橋樑。例如訓練時看過馬與老虎，靠「像馬但有黑白條紋」的屬性描述就能認出斑馬。
大型語言模型的零樣本指的是不給範例、只給指令就直接做任務。模型並沒有「沒看過」，它在預訓練時很可能看過大量相關資料，只是這次的提示裡沒有範例。
什麼時候該用零樣本，什麼時候不該
適合零樣本：任務常見且描述得清楚（翻譯、摘要、情感分類）、類別會不斷新增來不及標註、只是要快速試水溫看看可行性。
不適合零樣本：輸出格式有嚴格要求（給一個範例的效果通常遠勝過用文字描述格式）、領域術語冷僻、判斷標準是團隊內部約定而非常識。這些情況給幾個例子的成本很低，效果提升卻很明顯。
實用做法是先試零樣本當基準線。零樣本就夠好的任務不必浪費上下文空間放範例；零樣本明顯不行的，再逐步加範例，觀察加到第幾個之後效果不再提升。
讓零樣本表現變好的關鍵不在模型而在指令寫得夠不夠具體：明確說出角色、輸出格式、判斷準則、以及遇到不確定時該怎麼辦，效果差距往往比換模型還大。
情境判斷
Q1（直覺題）： 模型沒看過「砂糖橘」這個類別，但看描述後能判成柑橘類，這算零樣本嗎？
→ 算，因為它沒有看過這個類別的訓練範例，是靠語意描述推斷。
Q2（判斷題）： 如果模型只靠一兩個標註範例就做出判斷，這還是零樣本嗎？
→ 不是，這更接近少樣本學習。零樣本的關鍵是沒有示範例子。
iPAS 考題
出題方向： 常考零樣本、少樣本、遷移學習之間的差異，還有它在資料不足時的用途。
Q：零樣本學習最核心的特徵是什麼？ → 沒有目標類別的訓練範例，仍能利用預訓練知識進行判斷。
Q：哪一種情況最接近零樣本學習？ → 模型沒看過新類別的標註樣本，只靠類別描述或語意關聯做分類。
常見問題
零樣本學習準嗎？
會比有充分資料的監督式學習不穩，但在資料很少的情況下很有價值。
零樣本學習一定要大型語言模型嗎？
不一定，但大型語言模型讓零樣本任務更常見，也更容易做。
零樣本學習和提示工程有關嗎？
有關，很多 LLM 的零樣本能力就是透過好的提示語觸發。
零樣本學習能取代人工標註嗎？
不能完全取代，但可以先把初版系統做起來，降低冷啟動成本。