Few-shot Learning（少样本学习）是机器学习、深度学习领域的分支任务，指模型在仅拥有少量标注样本的前提下，快速学习任务规律、完成对应识别、生成、分类等任务的学习方式。标注样本指已经人工打好标签、明确标准答案的数据，比如标注好“正面/负面”的评论、标注好品类的图片。少样本学习的核心目标就是模仿人类举一反三的学习能力，不需要海量重复数据，看几个例子就能明白规则。
传统深度学习依赖成千上万条海量标注数据反复迭代训练模型，数据采集、人工标注成本高，且训练周期漫长；而少样本学习依托模型预训练阶段积累的海量先验知识，不需要大规模重新训练，仅依靠寥寥数个样本，即可快速总结规律、泛化适配全新陌生任务。通俗案例：传统训练如同题海战术，刷1000道同类题才会做题；少样本学习如同聪明人举一反三，只看3道例题就摸清解题规则。
一、概念层级划分
根据可用标注样本数量，行业内划分三类轻量化学习方式，常作为对比概念：
1.Zero-shot Learning（零样本学习）：无任何标注样本，仅依靠文字描述、任务指令，让模型完成陌生任务。无示例参考，完全依赖模型自身通识能力，对模型泛化能力要求极高。实战案例：直接输入指令“判断这句话情绪：这家店太难吃了”，不给任何分类例子，模型直接判定为负面。
2.One-shot Learning（单样本学习）：仅提供1条标注样本作为参考，模型学习样本特征与规则，完成同类任务。样本数量极少，适合规则简单、逻辑直白的任务。实战案例：给1条示例【输入：今天很开心→情感：正面】，让模型判断新句子的情感。
3.Few-shot Learning（少样本学习）：提供2~10条少量标注样本，是目前大模型应用中最常用的方式，兼顾学习准确率与便捷性，能适配复杂格式、特殊逻辑的任务。实战案例：给3条不同语气的情感分类示例，包含正面、负面、中性，模型精准区分模糊语句的情绪。
二、工作原理
1.预训练知识库打底
模型在海量通用数据集上完成预训练，提前掌握人类通用常识、语言语法、图像纹理、基础逻辑等底层能力，相当于给模型打好基础认知。通俗案例：大模型出厂前已经学完全网文本、海量图片，认识什么是句子、什么是动物、什么是情绪，具备最基础的判断能力，这是少样本学习能够生效的前提。
2.少量样本规则对齐
人为输入少量高质量示范样本，模型快速捕捉样本中的专属规则，包含固定输出格式、专业逻辑、语气风格、分类判定标准。该阶段不需要修改、更新模型内部参数，仅在推理过程中临时对齐规则。实战案例：要求模型严格按照【句子+情绪+理由】格式输出，给2组示范，模型记住固定排版和判断逻辑。
3.泛化推理输出结果
模型将从少量样本中总结的规则，迁移应用到全新的未知输入，自主完成同类任务，实现小样本快速适配新场景。实战案例：给模型3条奶茶评价的情绪分类样本，模型自主分析从未见过的奶茶差评，精准判定负面情绪并给出理由。
三、应用场景
1.大语言模型（最常用）
Prompt提示词工程中广泛使用，通过给2-3组输入输出示例，约束模型输出格式、语气、逻辑，解决模型自由输出不规范的问题。具体案例：做方言翻译任务，给2组【方言-普通话】对照示例，无需大量语料，模型就能精准翻译同类方言口语。
2.计算机视觉
适用于稀有物品识别、小众品类检测，这类场景天然难以采集大量数据，无法满足传统深度学习训练要求，依靠少量图片样本即可完成识别适配。具体案例：工业检测中，新型微小零件裂纹缺陷样本极少，工程师仅上传10张裂纹图片，模型就能识别同类零件的瑕疵。
3.专业行业场景
医疗影像诊断、小众语种翻译、金融特殊风控识别等专业场景，数据标注门槛高、隐私性强、样本稀缺，少样本学习可极大降低标注成本。具体案例：罕见病医疗X光片数量极少，医生标注十几张患病影像，模型即可辅助筛查同类病症。
四、优点
•成本低廉：无需海量标注数据，大幅减少数据采集、标注的人力与时间成本；
•适配快速：无需微调模型，仅通过示例即可适配新任务，落地效率高；
•通用性强：可灵活适配文本、图像、语音等多类型任务。
五、缺点
•容错率低：样本质量对结果影响极大，若示例存在错误、偏见，模型会直接复刻错误规则。案例：给模型2条错误示例【下雨=开心】，模型会错误判定雨天为正面情绪。
•复杂任务受限：逻辑繁琐、专业度极高的复杂任务，少量样本无法支撑模型吃透底层逻辑。案例：仅给5条高数解题示例，模型无法掌握复杂高数公式推导，解题准确率大幅下降。
•泛化边界有限：超出样本特征范围的极端陌生输入，容易出现推理错误。案例：模型只见过普通奶茶评价，突然输入专业奶茶原料化工术语，模型无法精准判断情绪。
六、总结
Few-shot Learning 无需微调模型参数，属于推理阶段的提示学习，全程不改动模型内部权重，仅靠示例临时对齐规则；而传统微调（Fine-tuning）是利用大量专用数据，通过反向传播更新模型参数，永久改变模型能力。直白对比案例：Few-shot如同考试前看3道例题，临场模仿做题；微调如同刷题上千道，永久固化解题思维。
