Метод "обучения на нескольких примерах", при котором в промпте модели предоставляется несколько примеров выполнения задачи (входные данные + желаемый вывод), после чего модель должна применить этот шаблон к новому запросу.
Пример: Дать модели 3 образца успешных продающих email, чтобы она сгенерировала новый email в таком же стиле, тоне и структуре для другой кампании.
Few-shot Prompting — это метод в области больших языковых моделей (LLM), при котором модель обучается или "инструктируется" выполнять новую задачу, получая всего несколько примеров в самом промпте (запросе). Вместо того чтобы требовать обширный набор данных для дообучения модели (как при Fine-tuning), Few-shot Prompting позволяет модели быстро адаптироваться к новому типу задач, анализируя предоставленные образцы.
Этот подход работает, используя способность LLM к "метаобучению" или обучению на основе предоставленных примеров: модель выявляет паттерны и правила, связывающие входные данные с желаемым выходом, в контексте самого запроса. Таким образом, ей не нужно изменять свои внутренние веса; она применяет свои общие знания и способность к рассуждению для выполнения задачи, руководствуясь немногими показанными примерами.
Few-shot Prompting особенно полезен, когда доступных данных для дообучения мало, или когда задача требует быстрой адаптации без внесения постоянных изменений в модель. Он позволяет значительно сократить время и ресурсы, необходимые для подготовки модели к выполнению конкретной задачи, делая её более гибкой и применимой в широком спектре сценариев.