Zero-shot Prompting(零樣本提示)
現今的大型語言模型（LLMs），如 GPT-3.5 Turbo、GPT-4 和 Claude 3，經過大量資料訓練與指令微調，能夠在許多任務中展現零樣本能力。所謂零樣本提示，指的是在提示中不提供範例，而是直接透過指令要求模型完成任務。
目錄
例如，執行文本分類（Text Classification）時，只需下達簡單的分類指令，LLM 就能理解並完成，因為模型已在訓練過程中學習到如「情感分析」等任務概念，這便是零樣本能力的體現。
範例
提示 :
將句子分類為生氣、開心、難過、失望
句子 : 我沒有拿到我應該有的分數
輸出 :
失望
失望
失望
指令微調與 RLHF
研究顯示，指令微調（Instruction Tuning）有助於增強 LLM 的零樣本能力。其方法是將模型微調在大量以「指令描述」為主的資料集上，讓模型更擅長理解並執行指令。此外，從人類回饋中強化學習（RLHF）技術被應用於擴展指令微調，使模型能更符合人類偏好，這也是像 Chat GPT 等模型背後的重要技術之一。
Few-shot Prompting(少樣本提示)
當零樣本提示無法取得理想效果時，推薦使用少樣本提示（Few-shot Prompting）–即在提示中提供少量範例，協助模型理解並執行任務。下一章節將進一步介紹少樣本提示的操作方式與應用。
結語
零樣本與少樣本提示技術，展現了大型語言模型在不同任務中靈活應用的潛力。透過指令微調與人類回饋強化學習（RLHF），LLMs 不僅能理解複雜指令，還能更貼近人類需求與偏好。理解並善用這些提示技術，是有效與大型語言模型互動的重要能力。隨著技術持續演進，掌握提示工程將成為未來 AI 應用與開發的核心關鍵。
References
Prompt Engineering Guide
Wei et al. (2022)
RLHF
上一篇：Prompting Techniques - 簡介
下一篇﹕Prompting Techniques - Few-shot