Risultati chiave

• Gli esempi migliorano drasticamente la precisione. Claude 3 Haiku, ad esempio, è passato dall'11% di correttezza senza esempi al 75% con soli tre esempi — eguagliando le prestazioni zero-shot di modelli molto più grandi .
• 2–5 esempi è il numero ottimale supportato dalla ricerca. Le guide sul prompting definiscono comunemente il few-shot come l'uso di circa 2–5 esempi, e uno studio individua proprio in 2–5 esempi l'intervallo ottimale tipico .
• Più non è sempre meglio. Uno studio su arXiv ha identificato un problema di "over-prompting" in cui troppi esempi possono ridurre le prestazioni del modello, sfidando l'assunzione che più esempi siano sempre d'aiuto .
• La qualità degli esempi conta più della quantità. Esempi diversificati, di alta qualità e ben stratificati possono superare la semplice aggiunta di altri esempi, mentre esempi incoerenti possono insegnare al modello schemi contraddittori .
• Per compiti complessi di ragionamento, prova prima senza esempi. Non dare per scontato che gli esempi siano sempre necessari: confronta le prestazioni zero-shot con quelle few-shot, perché l'over-prompting può ridurre le performance in alcuni contesti .

Raccomandazioni pratiche

In sintesi: Usa esempi, mantienili tra 2 e 5, e dai priorità alla qualità e alla diversità rispetto alla quantità . Verifica sempre se il tuo modello specifico beneficia del few-shot rispetto allo zero-shot, specialmente per compiti complessi di ragionamento dove esempi extra potrebbero non essere sempre d'aiuto .

Risultati chiave

• Gli esempi migliorano drasticamente la precisione. Claude 3 Haiku, ad esempio, è passato dall'11% di correttezza senza esempi al 75% con soli tre esempi — eguagliando le prestazioni zero-shot di modelli molto più grandi .
• 2–5 esempi è il numero ottimale supportato dalla ricerca. Le guide sul prompting definiscono comunemente il few-shot come l'uso di circa 2–5 esempi, e uno studio individua proprio in 2–5 esempi l'intervallo ottimale tipico .
• Più non è sempre meglio. Uno studio su arXiv ha identificato un problema di "over-prompting" in cui troppi esempi possono ridurre le prestazioni del modello, sfidando l'assunzione che più esempi siano sempre d'aiuto .
• La qualità degli esempi conta più della quantità. Esempi diversificati, di alta qualità e ben stratificati possono superare la semplice aggiunta di altri esempi, mentre esempi incoerenti possono insegnare al modello schemi contraddittori .
• Per compiti complessi di ragionamento, prova prima senza esempi. Non dare per scontato che gli esempi siano sempre necessari: confronta le prestazioni zero-shot con quelle few-shot, perché l'over-prompting può ridurre le performance in alcuni contesti .

Raccomandazioni pratiche

In sintesi: Usa esempi, mantienili tra 2 e 5, e dai priorità alla qualità e alla diversità rispetto alla quantità . Verifica sempre se il tuo modello specifico beneficia del few-shot rispetto allo zero-shot, specialmente per compiti complessi di ragionamento dove esempi extra potrebbero non essere sempre d'aiuto .