Penemuan Utama

• Contoh meningkatkan ketepatan secara dramatik. Claude 3 Haiku, misalnya, meningkat daripada 11% ketepatan tanpa contoh kepada 75% dengan hanya tiga contoh — menyamai prestasi model yang lebih besar tanpa sebarang contoh .
• 2–5 contoh adalah jumlah optimum berdasarkan penyelidikan. Panduan prompting biasanya menerangkan few-shot prompting sebagai penggunaan sekitar 2–5 contoh, dan satu panduan mengenal pasti 2–5 contoh sebagai julat optimum yang tipikal .
• Lebih banyak tidak semestinya lebih baik. Satu kajian arXiv mengenal pasti masalah "over-prompting" di mana terlalu banyak contoh boleh mengurangkan prestasi model, mencabar andaian bahawa lebih banyak contoh sentiasa membantu .
• Kualiti contoh lebih penting daripada kuantiti. Contoh yang pelbagai, berkualiti tinggi, dan berstrata baik boleh mengatasi sekadar menambah lebih banyak contoh, manakala contoh yang tidak konsisten boleh mengajar model corak yang tidak konsisten .
• Untuk tugasan yang memerlukan pemikiran berat, cuba tanpa contoh dahulu. Jangan andaikan contoh sentiasa diperlukan; uji tanpa contoh berbanding dengan contoh, kerana over-prompting boleh mengurangkan prestasi dalam sesetengah keadaan .

Cadangan Praktikal

Kesimpulan: Gunakan contoh, kekalkan kepada 2–5, dan utamakan kualiti serta kepelbagaian berbanding kuantiti . Uji sama ada model khusus anda mendapat manfaat daripada contoh atau tanpa contoh, terutamanya untuk tugasan yang memerlukan pemikiran berat di mana contoh tambahan mungkin tidak selalu membantu .

Penemuan Utama

• Contoh meningkatkan ketepatan secara dramatik. Claude 3 Haiku, misalnya, meningkat daripada 11% ketepatan tanpa contoh kepada 75% dengan hanya tiga contoh — menyamai prestasi model yang lebih besar tanpa sebarang contoh .
• 2–5 contoh adalah jumlah optimum berdasarkan penyelidikan. Panduan prompting biasanya menerangkan few-shot prompting sebagai penggunaan sekitar 2–5 contoh, dan satu panduan mengenal pasti 2–5 contoh sebagai julat optimum yang tipikal .
• Lebih banyak tidak semestinya lebih baik. Satu kajian arXiv mengenal pasti masalah "over-prompting" di mana terlalu banyak contoh boleh mengurangkan prestasi model, mencabar andaian bahawa lebih banyak contoh sentiasa membantu .
• Kualiti contoh lebih penting daripada kuantiti. Contoh yang pelbagai, berkualiti tinggi, dan berstrata baik boleh mengatasi sekadar menambah lebih banyak contoh, manakala contoh yang tidak konsisten boleh mengajar model corak yang tidak konsisten .
• Untuk tugasan yang memerlukan pemikiran berat, cuba tanpa contoh dahulu. Jangan andaikan contoh sentiasa diperlukan; uji tanpa contoh berbanding dengan contoh, kerana over-prompting boleh mengurangkan prestasi dalam sesetengah keadaan .

Cadangan Praktikal

Kesimpulan: Gunakan contoh, kekalkan kepada 2–5, dan utamakan kualiti serta kepelbagaian berbanding kuantiti . Uji sama ada model khusus anda mendapat manfaat daripada contoh atau tanpa contoh, terutamanya untuk tugasan yang memerlukan pemikiran berat di mana contoh tambahan mungkin tidak selalu membantu .