Сколько примеров показать: zero / one / few-shot

📸 Три фото-эталона повару

В прошлой теме мы договорились, что промпт (твой запрос, задание для нейросети) — это бланк заказа повару: чем точнее заполнен, тем ближе блюдо к тому, что ты хотел. Но есть вещи, которые словами на бланке объяснить тяжело. «Подай красиво» — а как именно красиво? «В нашем стиле» — а это в каком?

Любой нормальный шеф в такой ситуации делает одно движение: достаёт телефон и показывает повару фото готовых блюд. «Вот так нарезаем, так выкладываем, такой соус по краю». Три снимка — и повар повторяет подачу на новом заказе точнее, чем по любому описанию. Потому что формат и стиль проще увидеть, чем вычитать из абзаца требований.

С моделью — буквально то же самое. Ты кладёшь в запрос несколько готовых пар «вот вход, вот каким должен быть ответ», и модель ловит из них формат, длину, тон — и повторяет на твоём новом случае. Никакого дообучения, никаких программистов: примеры живут прямо в тексте запроса. Вся разница между приёмами — сколько фото-эталонов ты приложил.

🍳 Zero-shot: просто попроси, без примеров

Zero-shot (запрос без примеров, дословно «ноль образцов») — это режим по умолчанию. Ты формулируешь задачу словами и ничего не показываешь: «переведи на английский», «классифицируй отзыв как положительный или отрицательный», «сократи до трёх предложений». Модель тянет ответ из того, чему научилась на миллионах текстов, — из своей насмотренности.

И на простых, однозначных задачах этого часто хватает. Опытный повар сделает омлет без рецепта. Большая современная модель переведёт фразу или определит тон отзыва без единого образца — формат тут очевиден из самой просьбы.

Это самый дешёвый режим: короткий запрос — меньше токенов (кусочков текста, из которых модель собирает и считает ответ), меньше денег, быстрее ответ. Минус у него один, но важный: где формат или стиль неочевиден, zero-shot молча додумает его по-своему и выдаст что-то правдоподобное, но не твоё. Ты просил «в нашем стиле», а «наш стиль» он понятия не имеет какой — вот и угадал.

📷 One-shot и few-shot: покажи, а не описывай

Как только формата словами не объяснить — добавляешь образцы. One-shot — это один пример: «вот вход, вот такой ответ нужен, теперь сделай для нового входа». Уже сильно лучше, чем ничего: модель ловит структуру с одного снимка. Но по единственному фото легко считать что-то однобоко — например, решить, что «коротко» значит «ровно одно предложение», хотя ты имел в виду просто «без воды».

Few-shot — несколько примеров, обычно от двух до пяти. Это рабочая лошадка. Несколько образцов показывают модели не только норму, но и границы: как выглядит обычный случай, как — пограничный, чего точно делать не надо. Повар, которому показали три фото, а не одно, ошибётся реже — он видит разброс, а не одну точку.

И вот тут — самое неожиданное, что стоит знать про примеры. Исследователи проверили (Min и коллеги, 2022 год), что модель в первую очередь считывает из примеров не столько правильность каждого ответа, сколько сам формат, набор возможных вариантов и общий рисунок. В их опытах примеры даже с частично перепутанными ответами почти не роняли качество — настолько, что главным оказалось показать, как выглядит правильный ответ и какими он бывает, а не идеальная безошибочность каждого образца.

Для тебя из этого один практичный вывод, без академии: главное в примерах — единый, аккуратный формат и охват типовых случаев. Не вылизывай каждый образец до идеала — следи, чтобы все они были оформлены одинаково и покрывали то, что встречается в работе. Это как с фото: важнее, чтобы все снимки были в одном свете и стиле, чем чтобы один из них был отретуширован до блеска.

Заметь главное: все три примера оформлены одинаково — «Отзыв: … → метка». Это и есть тот самый единый формат. Модель смотрит на них, считывает рисунок «короткая фраза → одно слово из двух» и продолжает в том же духе. Никто не учил модель твоим отзывам заранее — ты настроил её поведение прямо в запросе, текстом. Это и делает приём оружием бизнес-пользователя.

⚖️ Где примеры не спасут (и за что ты платишь)

Чтобы не уйти в другую крайность — «приложу побольше примеров, и всё будет идеально» — два честных ограничения.

Первое: примеры не делают модель умнее, только аккуратнее в форме. Если задача требует настоящего рассуждения — посчитать, сравнить по нескольким условиям, разобрать многошаговую логику — одни образцы не помогут. Сколько фото правильно посчитанной сдачи ни покажи, считать модель от этого лучше не станет. Для таких задач есть отдельный приём — попросить модель рассуждать вслух, и это следующая тема. Примеры — про формат и стиль, не про мышление.

Второе: каждый пример — это место в запросе, а значит, деньги и время. Образцы удлиняют запрос, а ты платишь за токены и ждёшь ответ дольше. Пять хороших примеров обычно бьют двадцать посредственных: больше — не всегда лучше, перегруженный примерами запрос и дороже, и иногда путает модель сильнее. Правило простое: добавляй примеры, пока качество растёт, и останавливайся, когда перестало.

И обратная ловушка: однобокие или неаккуратные примеры закрепляют перекос. Покажешь пять отзывов, и все «недоволен», — модель начнёт всё подряд клонить в «недоволен». Покажешь примеры в разном формате — собьёшь её с толку вместо того, чтобы настроить. Примеры — рычаг сильный, поэтому и кривой пример тянет с той же силой, только не туда.