Hvad er zero-shot og few-shot prompting?

Zero-shot og few-shot prompting er to måder at styre en sprogmodel på. Ved zero-shot får modellen kun opgaven og eventuelle krav; ved few-shot får den også få eksempler på ønsket input og output. Forskellen bruges især til format, klassifikation, tone, afgrænsning og kvalitetstest.

Hvad betyder zero-shot og few-shot prompting?

Zero-shot prompting betyder, at du beder en model løse en opgave uden at give eksempler på korrekte svar. Modellen skal forstå opgaven ud fra sin træning, den aktuelle kontekst og de instruktioner, du skriver. Metoden er hurtig, enkel og ofte nok til almindelige forklaringer, udkast og velkendte opgaver.

Few-shot prompting betyder, at du giver modellen et lille antal eksempler, før den skal løse den egentlige opgave. Eksemplerne viser mønsteret: hvordan input ser ud, hvad et godt output indeholder, hvor langt svaret skal være, og hvilke grænser der gælder. Modellen lærer ikke permanent af eksemplerne, men bruger dem i den aktuelle samtale eller API-kald.

Forskellen er derfor ikke, om modellen er intelligent, men hvor meget opgaveform modellen får i selve inputtet. Zero-shot tester, om instruktionen er nok. Few-shot viser modellen en konkret standard, den kan efterligne.

Hvordan fungerer zero-shot i praksis?

I en zero-shot-forespørgsel beskriver du opgaven direkte: klassificér en tekst, forklar et begreb, omskriv et afsnit eller udtræk bestemte oplysninger. Du giver krav til format, målgruppe og afgrænsning, men ingen færdige eksempler. Modellen skal selv omsætte instruktionen til et brugbart svar.

Zero-shot virker bedst, når opgaven er velkendt, svaret ikke kræver en særlig intern standard, og fejl er lette at opdage. Et eksempel kan være at bede en model forklare forskellen på to begreber i tre korte afsnit. Her er selve opgaven tydelig nok til, at eksempler ofte er unødvendige.

Metoden bliver svagere, når formatet er usædvanligt, når output skal følge en bestemt redaktionel norm, eller når små forskelle i klassifikation har stor betydning. Hvis to brugere skriver næsten samme instruktion, men forventer forskellige svarmønstre, er zero-shot ofte for upræcist.

Hvordan fungerer few-shot i praksis?

I few-shot prompting viser du modellen nogle få input/output-par, før du giver den den nye opgave. Eksemplerne fungerer som et mønster. Hvis du vil have korte klassifikationer, viser du korte klassifikationer. Hvis du vil have en bestemt tone eller struktur, viser du netop den tone eller struktur.

Et enkelt eksempel kan hjælpe, men flere varierede eksempler er ofte bedre, fordi modellen ikke kun lærer et tilfældigt særtilfælde. Hvis alle eksempler er for ens, kan modellen kopiere overfladiske mønstre. Hvis de dækker både standardsager og kanttilfælde, bliver den ønskede regel tydeligere.

Few-shot er især nyttigt ved opgaver som kategorisering, udtræk af felter, formatstyring, kundesvar, kvalitetsmærkning og tekstomskrivning efter en fast stil. Det er også en praktisk mellemvej, før du overvejer fine-tuning af sprogmodeller.

Hvornår er zero-shot nok?

Zero-shot er normalt nok, når opgaven har en tydelig almindelig betydning, og når du kan beskrive ønsket output med få krav. Det kan være begrebsforklaringer, idégenerering, sammenfatninger, simple oversættelser, grove kategorier eller første udkast, hvor resultatet alligevel gennemgås af et menneske.

Metoden er også nyttig i begyndelsen af et projekt. Den viser hurtigt, om modellen forstår opgaven uden ekstra støtte. Hvis zero-shot-svaret er stabilt på flere testeksempler, kan du spare plads i kontekstvinduet og undgå at vedligeholde eksempelsæt, der måske ikke er nødvendige.

Zero-shot bør dog ikke forveksles med dokumenteret kvalitet. Et pænt svar kan stadig være forkert, upræcist eller uensartet. Hvis opgaven indgår i en proces med kunder, data, sagsbehandling eller offentlig kommunikation, bør du teste flere realistiske input, før metoden bruges fast.

Hvornår er few-shot bedre?

Few-shot er bedre, når du ikke kun vil fortælle modellen, hvad den skal gøre, men også vise hvordan et godt svar ser ud. Det gælder især, når output skal følge en bestemt kategoriordning, et bestemt skema, en intern tone eller en grænse mellem næsten ens beslutninger.

Metoden er også stærk, når instruktionen er svær at formulere præcist. Nogle kvalitetskrav er lettere at vise end at beskrive. Hvis du eksempelvis vil skelne mellem en neutral produktbeskrivelse og en salgspræget produktbeskrivelse, kan to eller tre eksempler gøre forskellen mere tydelig end en lang regeltekst.

Few-shot er ikke automatisk bedre. Dårlige eksempler kan gøre resultatet dårligere end zero-shot, fordi modellen efterligner fejl, skævheder eller overflødige detaljer. Eksemplerne skal derfor være gennemarbejdede, relevante og fri for mønstre, som modellen ikke skal gentage.

Hvad er forskellen på eksempler, kontekst og fine-tuning?

Eksempler i few-shot prompting bruges kun i den aktuelle interaktion. De ændrer ikke modelvægte og bliver ikke en permanent del af modellen. Det adskiller metoden fra fine-tuning, hvor en model trænes videre på et datasæt, så adfærden ændres mere varigt inden for en bestemt opgavetype.

Kontekst er noget andet end eksempler. Kontekst kan være baggrundsviden, dokumentuddrag, datafelter eller brugerens situation. Eksempler viser derimod formen på et godt svar. En stærk opsætning kan kombinere begge dele: relevant kontekst plus få eksempler på ønsket behandling.

Hvis problemet er manglende viden, kan grounding af AI-modeller eller retrieval-augmented generation være mere relevant end flere eksempler. Hvis problemet er uensartet format eller vurderingsstil, er few-shot ofte et enklere første skridt.

Hvordan vælger du gode eksempler?

Gode eksempler ligner den opgave, modellen faktisk skal løse. De bør dække typiske input, svære grænsetilfælde og de fejltyper, du vil undgå. Hvis eksemplerne er for pæne, lærer modellen ikke, hvordan den skal reagere på støj, manglende data eller tvetydige formuleringer.

Eksempler bør også være korte nok til at være tydelige. Lange eksempler kan være nødvendige ved komplekse opgaver, men de optager plads i kontekstvinduet og kan skjule den regel, modellen skal lære. Ofte er tre korte, varierede eksempler bedre end ét langt og perfekt eksempel.

• Vis både input og det ønskede output.
• Brug samme format i alle eksempler.
• Dæk mindst ét kanttilfælde, hvis opgaven har kendte gråzoner.
• Fjern oplysninger, som modellen ikke skal bruge som mønster.

Hvis du bruger few-shot til klassifikation, bør eksemplerne også være balancerede. En model, der kun ser positive eksempler, kan blive tilbøjelig til at vælge den positive kategori. En model, der ser både klare og vanskelige tilfælde, får et bedre mønster at arbejde ud fra.

Hvilke fejl opstår ofte?

En almindelig fejl er at bruge few-shot som pynt. Hvis eksemplerne ikke viser en faktisk regel, tilføjer de bare støj. En anden fejl er at bruge eksempler, der modsiger instruktionen. Når tekst og eksempler peger i hver sin retning, vælger modellen ofte det mønster, der virker mest konkret.

En tredje fejl er at lægge for meget ansvar over på zero-shot ved følsomme eller detaljerede opgaver. Modellen kan give et overbevisende svar, selv når den mangler de kriterier, som en fagperson bruger. Derfor bør zero-shot-resultater ikke bruges som eneste beslutningsgrundlag ved højrisikoopgaver.

En fjerde fejl er at glemme sproglige og lokale variationer. Eksempler på engelsk styrer ikke altid en dansk arbejdsgang godt nok. Hvis output skal bruges i dansk kundeservice, undervisning, sagsnotater eller interne procedurer, bør mindst nogle eksempler afspejle det faktiske sprog og format.

Hvordan tester du om metoden virker?

Test bør begynde med et lille sæt realistiske opgaver, hvor du allerede kender det ønskede resultat. Kør først zero-shot, og gem svarene. Tilføj derefter få eksempler, og sammenlign om resultatet bliver mere korrekt, mere ensartet eller lettere at bruge. Ellers har few-shot ikke løst det konkrete problem.

Det er nyttigt at skelne mellem tre kvaliteter: faglig korrekthed, formatstabilitet og praktisk anvendelighed. Few-shot kan forbedre formatet uden at gøre fakta mere korrekte. Zero-shot kan give gode fakta, men et format, der skifter fra gang til gang. Testen bør måle det, opgaven faktisk kræver.

Ved gentagne arbejdsgange kan du lave en simpel testmatrix med cases, forventet output og accepterede variationer. Hvis modellen fejler på samme type input, skal du justere instruktioner, eksempler eller datagrundlag. Hvis fejlene er uforudsigelige, kan opgaven kræve en anden metode.

Hvordan påvirker modelvalg og kontekstlængde resultatet?

Modeller reagerer ikke ens på zero-shot og few-shot. Nyere instruktionstilpassede modeller kan ofte løse flere opgaver zero-shot end ældre basismodeller, fordi de er trænet til at følge naturlige instruktioner. Det betyder ikke, at eksempler er overflødige, men at startpunktet kan være stærkere.

Kontekstlængde spiller også en rolle. Few-shot-eksempler optager plads, som ellers kunne bruges på dokumenter, data eller brugerens konkrete input. Hvis opgaven kræver meget baggrundsmateriale, kan for mange eksempler presse vigtige oplysninger ud af konteksten eller gøre inputtet sværere at vedligeholde.

Store modeller med lange kontekstvinduer gør det fristende at tilføje mange eksempler, men mere tekst er ikke altid bedre. Hvis eksemplerne er uklare, modstridende eller for brede, kan de sænke kvaliteten. Det afgørende er ikke antallet alene, men hvor præcist eksemplerne viser den ønskede regel.

Hvordan hænger teknikken sammen med sprogmodeller?

Zero-shot og few-shot prompting hænger tæt sammen med, hvordan moderne sprogmodeller bruger mønstre i kontekst. En transformerbaseret model behandler input som en sekvens og forsøger at forudsige passende fortsættelser ud fra både træningen og det aktuelle input. Eksempler i inputtet kan derfor fungere som midlertidig opgavebeskrivelse.

Det er grunden til, at few-shot ofte kaldes in-context learning: modellen bruger eksemplerne i konteksten uden at blive trænet om. Hvis du vil forstå mekanikken bag denne type model, er transformer-modeller i AI et relevant baggrundsbegreb.

Modelstørrelse, træningsdata, instruktionstilpasning og evalueringsmetoder påvirker, hvor godt teknikken virker. Artiklen om parameterstørrelser i sprogmodeller giver en anden indgang til, hvorfor kapacitet kan betyde noget, men ikke alene afgør kvaliteten.

Hvad betyder det for praktisk AI-arbejde?

For praktisk AI-arbejde er forskellen mellem zero-shot og few-shot en beslutning om styring. Du kan begynde med zero-shot for at se, om modellen forstår opgaven. Hvis svarene varierer for meget, kan få gode eksempler gøre output mere ensartet uden at kræve en teknisk træningsproces.

I en organisation bør valget kobles til risiko. Ved lavrisikoopgaver som idéudkast eller interne sammenfatninger kan zero-shot være tilstrækkeligt. Ved opgaver med kundetekst, dataudtræk, compliance, HR eller faglige vurderinger bør du teste systematisk og ofte bruge eksempler, skemaer eller retrieval-augmented generation som ekstra styring.

Hvis opgaven afhænger af opdateret eller intern viden, kan retrieval-augmented generation være vigtigere end flere eksempler. Few-shot viser formen på et godt svar, men det skaffer ikke i sig selv nye fakta.

Hvad er den korte tommelfingerregel?

Brug zero-shot, når opgaven er enkel, velkendt og let at kontrollere. Brug few-shot, når du vil vise modellen en bestemt struktur, klassifikation, tone eller grænse mellem rigtige og forkerte svar. Brug ikke few-shot for at skjule uklare mål; ret først opgaven, kriterierne og datagrundlaget.

Den mest robuste arbejdsgang er at starte enkelt, teste realistiske cases og tilføje eksempler, når de løser et målbart problem. Hvis few-shot kun gør teksten længere, men ikke mere korrekt eller stabil, er metoden ikke nødvendig for den konkrete opgave.

For mange AI-projekter er zero-shot derfor et hurtigt første forsøg, mens few-shot er et styringsværktøj. Når opgaven vokser i betydning, bør begge metoder indgå i en bredere kvalitetssikring med tests, menneskelig gennemgang og klare grænser for, hvad modellen må afgøre.

Hvilke kilder ligger til grund?

Definitionerne og den praktiske forskel mellem zero-shot og few-shot er kontrolleret mod Googles guide til prompting-strategier. Den forskningshistoriske baggrund bygger især på Brown m.fl. og artiklen Language Models are Few-Shot Learners.

Forklaringen af moderne zero-shot-egenskaber er holdt op mod Wei m.fl. og artiklen Finetuned Language Models Are Zero-Shot Learners. Kilderne bruges til at forklare begreberne og deres begrænsninger, ikke til at hævde at én metode altid giver bedst resultat.