Für EinsteigerSuchen⌘K

Few-Shot / Zero-Shot Learning

Die Fähigkeit von KI-Modellen, Aufgaben mit nur wenigen Beispielen (Few-Shot) oder ganz ohne Beispiele (Zero-Shot) zu lösen.

Einsteiger2 Min Lesezeit

Erklärung starten

Auf einen Blick

3 Punkte

  1. Zero-Shot: Das Modell löst eine Aufgabe ohne jegliche Beispiele, nur mit einer Anweisung
  2. Few-Shot: Das Modell bekommt 2-5 Beispiele im Prompt und generalisiert daraus
  3. Ermöglicht durch große vortrainierte Modelle, die breites Wissen mitbringen

Sofortantwort

Few-Shot / Zero-Shot Learning einfach erklärt

KI löst Aufgaben mit wenigen oder keinen Beispielen.

Kurz gesagt
Zero-Shot: Das Modell löst eine Aufgabe ohne jegliche Beispiele, nur mit einer Anweisung
Typischer Einsatz
Textklassifikation ohne Training, Format-Konsistenz, Neue Sprachen
Wichtig zu wissen
Ermöglicht durch große vortrainierte Modelle, die breites Wissen mitbringen

Few-Shot / Zero-Shot Learning im Überblick

Few-Shot und Zero-Shot Learning beschreiben, wie gut ein KI-Modell neue Aufgaben lösen kann, ohne speziell dafür trainiert zu werden. Das ist eine der bemerkenswertesten Fähigkeiten moderner LLMs – und ein Hauptgrund, warum sie so vielseitig einsetzbar sind.

Zero-Shot bedeutet: Das Modell löst eine Aufgabe, für die es keine Beispiele gesehen hat – nur durch die Beschreibung der Aufgabe im Prompt. Few-Shot bedeutet: Das Modell bekommt zwei bis fünf Beispiele im Prompt und lernt das Muster sofort. Beide Ansätze funktionieren, weil große Sprachmodelle beim Pre-Training implizit gelernt haben, wie Aufgaben strukturiert sind. Sie müssen nicht neu trainiert werden – sie müssen nur richtig angesprochen werden.

Die Abstufungen:

MethodeBeispieleBeschreibung
Zero-Shot0Nur eine Anweisung, keine Beispiele
One-Shot1Ein einziges Beispiel
Few-Shot2-5Wenige Beispiele im Prompt
Fine-Tuning100+Viele Beispiele, Modell wird nachtrainiert

Zero-Shot Beispiel:

Klassifiziere als positiv oder negativ:
"Das Produkt ist fantastisch!" → positiv

Few-Shot Beispiel:

Übersetze ins Formelle:
"Hey, schick mal die Datei" → "Könnten Sie mir bitte die Datei zusenden?"
"Yo, wann ist das Meeting?" → "Könnten Sie mir bitte den Termin des Meetings mitteilen?"
"Check mal den Code" → ?

Technisch betrachtet

Warum funktioniert es?

Große LLMs haben während des Pre-Trainings implizit gelernt, Muster zu erkennen und zu generalisieren. Few-Shot-Beispiele im Prompt aktivieren dieses Wissen – das Modell erkennt das Muster und wendet es an.

In-Context Learning

Few-Shot Learning bei LLMs wird auch “In-Context Learning” genannt:

  • Das Modell lernt nicht im klassischen Sinne (keine Gewichtsänderung)
  • Es nutzt die Beispiele als Kontext für die Vorhersage
  • Die Fähigkeit skaliert mit der Modellgröße

Best Practices

  • Diverse Beispiele: Verschiedene Fälle abdecken
  • Konsistentes Format: Alle Beispiele gleich strukturieren
  • Relevante Beispiele: Ähnlich zur tatsächlichen Aufgabe
  • Reihenfolge beachten: Die letzten Beispiele haben oft mehr Einfluss

01Einsatzbereiche

Wann ist Few-Shot / Zero-Shot Learning sinnvoll?

Geeignet für

  • Textklassifikation ohne TrainingEin LLM klassifiziert Kundenfeedback als positiv/negativ ohne spezifisches Training
  • Format-KonsistenzFew-Shot-Beispiele im Prompt stellen sicher, dass Ausgaben ein bestimmtes Format haben
  • Neue SprachenLLMs können in Sprachen arbeiten, für die sie nur wenig Trainingsdaten hatten

↑ Inhalt

02Werkzeuge

Womit Few-Shot / Zero-Shot Learning umgesetzt wird

↑ Inhalt

Merksatz

Zero-Shot ist wie ein Experte, der eine Aufgabe allein aus der Beschreibung versteht. Few-Shot ist wie ein schneller Lerner, der nach 2-3 Beispielen das Prinzip kapiert und es auf neue Fälle anwenden kann.

  1. Zero-Shot: Das Modell löst eine Aufgabe ohne jegliche Beispiele, nur mit einer Anweisung
  2. Few-Shot: Das Modell bekommt 2-5 Beispiele im Prompt und generalisiert daraus
  3. Ermöglicht durch große vortrainierte Modelle, die breites Wissen mitbringen

03Wissensnetz

Diese Begriffe brauchst du ebenfalls

Nicht „ähnliche Artikel", sondern die Rolle, die jeder Begriff für Few-Shot / Zero-Shot Learning spielt.

Alle Begriffe

↑ Inhalt

04Anwenden

Few-Shot / Zero-Shot Learning praktisch anwenden

↑ Inhalt

05Redaktion

Herkunft und Stand

Redaktion und Aktualität

Ebenex RedaktionRedaktion

Veröffentlicht
Aktualisiert

Dieses Feld entwickelt sich schnell. Oben stehen Veröffentlichung und letzte Änderung; ein Prüfdatum kommt dazu, sobald die Erklärung nach ihrer letzten Änderung geprüft wurde.

↑ Inhalt

06FAQ

Häufige Fragen zu Few-Shot / Zero-Shot Learning

Wann nutze ich Few-Shot statt Zero-Shot?

Zero-Shot reicht für einfache, klar beschreibbare Aufgaben. Few-Shot ist besser, wenn du ein bestimmtes Ausgabeformat brauchst, die Aufgabe komplex ist oder Zero-Shot nicht die gewünschte Qualität liefert.

Wie viele Beispiele braucht Few-Shot?

Typisch 2-5 Beispiele. Mehr Beispiele verbessern die Konsistenz, verbrauchen aber Tokens. Die Qualität der Beispiele ist wichtiger als die Anzahl.

Ersetzt Few-Shot Learning das Fine-Tuning?

Für viele Aufgaben ja. Few-Shot ist schneller und flexibler. Fine-Tuning lohnt sich, wenn du konstant hohe Qualität brauchst, Inferenz-Kosten senken willst oder das Modell dauerhaft neues Verhalten lernen soll.

↑ Inhalt

07Weiterlernen

Was möchtest du als Nächstes verstehen?

↑ Inhalt