Résultats clés

• Les exemples améliorent radicalement la précision. Claude 3 Haiku, par exemple, est passé de 11 % de réponses correctes sans exemple à 75 % avec seulement trois exemples — égalant les performances de modèles bien plus gros en mode zero-shot .
• 2 à 5 exemples : la fourchette optimale. Les guides de prompting s'accordent sur 2 à 5 exemples, et une étude d'arXiv identifie ce même intervalle comme le meilleur compromis .
• Plus n'est pas toujours mieux. Une étude d'arXiv a mis en lumière un problème de « sur-prompting » (ou « over-prompting ») : trop d'exemples peuvent réduire les performances du modèle, remettant en cause l'idée que davantage d'exemples est toujours bénéfique .
• La qualité prime sur la quantité. Des exemples diversifiés, de haute qualité et bien représentatifs de la tâche sont plus efficaces que d'ajouter simplement plus d'exemples. Des exemples incohérents peuvent enseigner au modèle des schémas erronés .
• Pour les tâches de raisonnement complexe, commencez sans exemple. Ne partez pas du principe que des exemples sont toujours nécessaires : comparez les performances en zero-shot et en few-shot, car le sur-prompting peut dégrader les résultats dans certains contextes .

Recommandations pratiques

En résumé : Utilisez des exemples, mais limitez-vous à 2 à 5, et privilégiez la qualité et la diversité à la quantité . Testez si votre modèle spécifique tire profit du few-shot par rapport au zero-shot, en particulier pour les tâches de raisonnement où des exemples supplémentaires ne sont pas toujours utiles .

Résultats clés

• Les exemples améliorent radicalement la précision. Claude 3 Haiku, par exemple, est passé de 11 % de réponses correctes sans exemple à 75 % avec seulement trois exemples — égalant les performances de modèles bien plus gros en mode zero-shot .
• 2 à 5 exemples : la fourchette optimale. Les guides de prompting s'accordent sur 2 à 5 exemples, et une étude d'arXiv identifie ce même intervalle comme le meilleur compromis .
• Plus n'est pas toujours mieux. Une étude d'arXiv a mis en lumière un problème de « sur-prompting » (ou « over-prompting ») : trop d'exemples peuvent réduire les performances du modèle, remettant en cause l'idée que davantage d'exemples est toujours bénéfique .
• La qualité prime sur la quantité. Des exemples diversifiés, de haute qualité et bien représentatifs de la tâche sont plus efficaces que d'ajouter simplement plus d'exemples. Des exemples incohérents peuvent enseigner au modèle des schémas erronés .
• Pour les tâches de raisonnement complexe, commencez sans exemple. Ne partez pas du principe que des exemples sont toujours nécessaires : comparez les performances en zero-shot et en few-shot, car le sur-prompting peut dégrader les résultats dans certains contextes .

Recommandations pratiques

En résumé : Utilisez des exemples, mais limitez-vous à 2 à 5, et privilégiez la qualité et la diversité à la quantité . Testez si votre modèle spécifique tire profit du few-shot par rapport au zero-shot, en particulier pour les tâches de raisonnement où des exemples supplémentaires ne sont pas toujours utiles .