Die wichtigsten Erkenntnisse

• Beispiele verbessern die Genauigkeit enorm. Claude 3 Haiku steigerte seine Korrektheit von 11 % (gar keine Beispiele) auf 75 % mit nur drei Beispielen – und erreichte damit die Leistung weitaus größerer Modelle .
• 2–5 Beispiele sind das forschungsgestützte Optimum. In Prompting-Leitfäden wird Few-Shot Prompting meist mit etwa 2–5 Beispielen beschrieben; eine Quelle nennt 2–5 als den typischen optimalen Bereich .
• Mehr ist nicht immer besser. Eine arXiv-Studie identifizierte ein „Over-Prompting“-Problem: Zu viele Beispiele können die Modellleistung mindern und widerlegen die Annahme, dass immer mehr Beispiele helfen .
• Qualität schlägt Quantität. Vielfältige, hochwertige und gut durchdachte Beispiele wirken oft besser als eine schiere Menge. Inkonsistente Beispiele hingegen lehren das Modell inkonsistente Muster .
• Bei denkenlastigen Aufgaben lieber zuerst ohne Beispiele testen. Nicht jede Aufgabe profitiert von Beispielen; ein direkter Vergleich von Zero-Shot und Few-Shot ist ratsam, da Over-Prompting die Leistung in manchen Fällen verschlechtern kann .

Praktische Empfehlungen

Fazit: Setze Beispiele ein, aber halte dich an 2–5 und achte auf Qualität und Vielfalt statt auf Quantität . Teste bei deinem spezifischen Modell, ob Few-Shot oder Zero-Shot besser funktioniert – besonders bei denkenlastigen Aufgaben, bei denen zusätzliche Beispiele nicht immer helfen .

Die wichtigsten Erkenntnisse

• Beispiele verbessern die Genauigkeit enorm. Claude 3 Haiku steigerte seine Korrektheit von 11 % (gar keine Beispiele) auf 75 % mit nur drei Beispielen – und erreichte damit die Leistung weitaus größerer Modelle .
• 2–5 Beispiele sind das forschungsgestützte Optimum. In Prompting-Leitfäden wird Few-Shot Prompting meist mit etwa 2–5 Beispielen beschrieben; eine Quelle nennt 2–5 als den typischen optimalen Bereich .
• Mehr ist nicht immer besser. Eine arXiv-Studie identifizierte ein „Over-Prompting“-Problem: Zu viele Beispiele können die Modellleistung mindern und widerlegen die Annahme, dass immer mehr Beispiele helfen .
• Qualität schlägt Quantität. Vielfältige, hochwertige und gut durchdachte Beispiele wirken oft besser als eine schiere Menge. Inkonsistente Beispiele hingegen lehren das Modell inkonsistente Muster .
• Bei denkenlastigen Aufgaben lieber zuerst ohne Beispiele testen. Nicht jede Aufgabe profitiert von Beispielen; ein direkter Vergleich von Zero-Shot und Few-Shot ist ratsam, da Over-Prompting die Leistung in manchen Fällen verschlechtern kann .

Praktische Empfehlungen

Fazit: Setze Beispiele ein, aber halte dich an 2–5 und achte auf Qualität und Vielfalt statt auf Quantität . Teste bei deinem spezifischen Modell, ob Few-Shot oder Zero-Shot besser funktioniert – besonders bei denkenlastigen Aufgaben, bei denen zusätzliche Beispiele nicht immer helfen .