AI EngineeringZero-shot: chỉ mô tả task bằng ngôn ngữ tự nhiên, không cho ví dụ. Ví dụ: "Phân loại sentiment của câu sau: 'Sản phẩm rất tệ'". Dùng khi task phổ biến, model lớn đủ khả năng hiểu.
One-shot: cho 1 ví dụ input→output trước task thật. Giúp model hiểu format mong muốn.
Few-shot: cho 2-10 ví dụ đa dạng. Ví dụ:
Q: "Dở quá" → Negative
Q: "Tuyệt vời" → Positive
Q: "Tạm được" → Neutral
Q: "Sản phẩm rất tệ" → ?Few-shot thường tốt hơn zero-shot với task cần format phức tạp, domain-specific, hoặc khi zero-shot không ổn định.
Lưu ý:
- Thứ tự ví dụ ảnh hưởng output (recency bias).
- Ví dụ phải đại diện tốt cho distribution.
- Tốn token → chi phí tăng.
- Với model mạnh (GPT-4, Claude 3.5+) zero-shot với instructions rõ ràng thường đã đủ.
Zero-shot: describe the task in natural language with no examples. E.g. "Classify the sentiment: 'The product is terrible'". Use when tasks are common and the model is strong enough.
One-shot: include 1 input→output example before the real task. Helps convey the desired format.
Few-shot: 2–10 diverse examples. E.g.:
Q: "Awful" → Negative
Q: "Amazing" → Positive
Q: "It's okay" → Neutral
Q: "The product is terrible" → ?Few-shot usually beats zero-shot for complex formats, domain-specific tasks, or unstable zero-shot.
Caveats:
- Example order affects output (recency bias).
- Examples must represent the distribution well.
- Eats tokens → costs more.
- With strong models (GPT-4, Claude 3.5+) zero-shot with clear instructions is often enough.