---
title: "少樣本學習（Few-shot Learning）"
slug: few-shot-learning
language: zh-TW
source: https://aiterms.tw/terms/few-shot-learning
updated_at: 2026-07-29
tags: [機器學習, 遷移學習]
ipas_term: true
---

# 少樣本學習（Few-shot Learning）

> **你有沒有遇過，資料只給你幾個例子，卻還希望模型能學會？**
>
> 你可以把少樣本學習想成「看幾個範例就能抓到規則」的能力，資料不多也能先做出可用表現。
>
> 它重要，是因為很多真實問題根本湊不到大量標記資料，尤其是新領域、罕見事件或高成本標註任務。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **少樣本學習 vs 傳統監督式學習**
> 傳統監督式學習通常需要大量標記資料。
> 少樣本學習要在資料很少時也能快速泛化。
>
> **少樣本學習 vs 微調**
> 少樣本學習強調少量範例就能適應。
> 微調是把既有模型再訓練一段時間，兩者常一起用，但不是同一件事。

### 記住這句就好
> 只看幾個例子，還能抓到規則，就是少樣本學習。

### 實際案例
> **罕見疾病分類**
> 每種病只有少量影像，模型仍要能根據少數案例學到辨識方向。
>
> **新客服類型**
> 新產品剛上線，標註對話不多，但系統仍要能先回答或分類常見意圖。

### 算法與應用
> 常見方法會借助預訓練模型、相似度比對、度量學習或提示式學習。
> 這類方法常見於自然語言處理、影像辨識和罕見事件偵測。

### iPAS 考題
> **Q：少樣本學習的核心特性是什麼？**
> → 在標記資料很少的情況下，仍能讓模型學會新的任務或類別。
>
> **Q：少樣本學習為什麼在實務上重要？**
> → 因為很多資料昂貴、罕見或很難標記，不能只靠大量資料才能上線。

### 零樣本、單樣本、少樣本怎麼分

| 名稱 | 英文 | 給幾個例子 |
| --- | --- | --- |
| 零樣本學習 | zero-shot learning | 0 個，只給任務描述 |
| 單樣本學習 | one-shot learning | 1 個 |
| 少樣本學習 | few-shot learning | 通常 2 到 幾十個 |
| 多樣本 | many-shot | 幾百到上千個，長上下文模型才做得到 |

> 這幾個詞在兩個不同脈絡下意思不太一樣，容易混淆。
>
> **傳統機器學習的少樣本學習**，指的是用很少的標註樣本訓練出一個模型，代表方法有度量學習（孿生網路、原型網路）與元學習（MAML）。這裡的「學習」是真的更新參數。
>
> **大型語言模型的少樣本**，指的是在提示裡放幾個範例，模型不更新任何參數就照著做。這叫上下文學習（in-context learning），嚴格說不是學習，而是模型從上下文推斷任務格式。

### 給例子的實務要點

> **例子的格式比內容重要。** 研究發現即使把範例的標籤打亂，效果下降有限；但把格式弄亂，效果會大幅下降。這說明範例主要在告訴模型「輸出要長什麼樣」，而不是在教它知識。
>
> **例子要涵蓋邊界情況。** 只給典型案例，模型遇到邊界就自由發揮。特別要放一兩個「這種情況要回答不知道」的例子，否則模型傾向硬答。
>
> **例子的順序有影響。** 尤其是分類任務，範例的類別順序會造成偏誤。多個類別時盡量交錯排列，不要同類集中。
>
> **不是越多越好。** 加到某個數量之後效果就平了，繼續加只是增加成本與延遲。實務上先從 3 到 5 個試起，逐步加到效果不再提升為止。
>
> **需要的例子超過二十個，通常代表該考慮微調了。** 提示裡塞大量範例，每次請求都要付這些 token 的錢，微調則是一次性成本。用量大的時候微調反而便宜。

### 情境判斷
> **Q1：如果你只有每類 5 張圖，還想訓練出可用模型，少樣本學習有機會嗎？**
> → 有機會，因為它就是在這種資料稀少的條件下發揮。
>
> **Q2：只要資料少，就一定要用少樣本學習嗎？**
> → 不一定，如果任務很單純，傳統方法或資料增強可能更划算。

### 常見問題
> **Q：少樣本學習等於零樣本學習嗎？**
> 不等於，零樣本學習是完全沒看過標記例子，少樣本學習至少還有幾個。
>
> **Q：少樣本學習一定要大模型嗎？**
> 不一定，但預訓練能力強的模型通常更有優勢。
>
> **Q：它和提示工程有關嗎？**
> 很有關，尤其在大型語言模型裡，提示常是少樣本學習的重要方式。
>
> **Q：資料少就一定會更準嗎？**
> 不是，少樣本只是降低資料需求，不保證免除錯誤。

### 相關術語
> - **微調**：少樣本常會和它搭配，用少量資料把模型拉到目標任務。
> - **大型語言模型**：現代少樣本學習常靠它打底。
> - **提示工程**：很多少樣本設定其實就是在設計提示。
> - **自然語言處理**：少樣本方法最常被談到的應用之一。
> - **轉換器架構**：很多少樣本能力都建立在它上面。

---

來源：https://aiterms.tw/terms/few-shot-learning
快查頁：https://aiterms.tw/terms/few-shot-learning
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-few-shot-learning