本次查询：FewShot 少样本
中文解释：少样本学习
常见场景：大模型应用 / 垂直领域AI定制 / 数据稀缺场景下的任务适配 / 快速原型验证。
一句话解释
FewShot（少样本学习）是指人工智能模型仅需观察极少数几个任务示例，就能理解并执行该新任务的学习方式。这就像给一个聪明的学生看两三道例题，他就能解出同类型的新题目。
为什么会被关注
随着大模型（如GPT系列）的兴起，FewShot的价值被空前放大。传统AI训练需要海量标注数据，成本高昂且不灵活。FewShot让企业能用极少的例子快速定制大模型，使其适应客服、法律、医疗等专业领域，极大降低了AI应用的门槛和部署周期，成为释放大模型潜力的实用钥匙。
核心逻辑
FewShot的核心在于利用模型已有的、从海量通用数据中学到的强大知识（先验知识）。当提供少量新任务示例时，模型并非从零开始学习，而是快速调整其内部表示或推理路径，将通用知识与新示例的特定模式对齐。在大模型中，这常通过精心设计的提示（Prompt）来实现，让示例作为上下文引导模型生成正确输出。
常见场景
1. 大模型快速适配：为通用聊天机器人提供几个公司产品问答对，使其立刻变身专业客服。
2. 数据稀缺领域：在医疗影像分析中，仅有少量罕见病标注样本时，使用FewShot让模型识别新病例。
3. 文本分类与生成：给模型几个“积极/消极”的评论例子，让它自动分类新评论；或提供几种写作风格样例，让其模仿生成。
4. 代码生成：展示一个函数功能的描述和对应代码，让模型为类似的新描述生成代码。
容易混淆的点
与ZeroShot（零样本）混淆：ZeroShot是模型完全不看例子，仅凭任务描述执行；FewShot则需要少量例子。前者更“猜”，后者更“学”。
与Fine-Tuning（微调）混淆：微调需要更新模型的内部参数，过程较慢且需计算资源；FewShot通常不改变模型参数，仅通过输入（提示）来引导，更加轻量和即时。两者常结合使用，先用FewShot验证效果，再决定是否微调。