Viktiga insikter

• Exempel förbättrar träffsäkerheten dramatiskt. Claude 3 Haiku gick från 11 % korrekthet utan exempel till 75 % med bara tre exempel – samma prestanda som mycket större modellers zero-shot-resultat .
• 2–5 exempel är den forskningsunderbyggda optimala nivån. Prompt-guider beskriver few-shot prompting som att använda cirka 2–5 exempel, och en guide identifierar 2–5 exempel som det typiska optimala intervallet .
• Mer är inte alltid bättre. En studie på arXiv identifierade ett ”överprompningsproblem” där för många exempel kan försämra modellens prestanda – det utmanar antagandet att fler exempel alltid hjälper .
• Exempelkvalitet är viktigare än antal. Diversifierade, högkvalitativa och välspridda exempel kan överträffa enbart fler exempel, medan inkonsekventa exempel kan lära modellen inkonsekventa mönster .
• För resonemangstunga uppgifter – prova zero-shot först. Anta inte att exempel alltid behövs; testa zero-shot mot few-shot, eftersom överprompning kan minska prestandan i vissa sammanhang .

Praktiska rekommendationer

Slutsats: Använd exempel, håll dig till 2–5, och prioritera kvalitet och variation framför kvantitet . Testa om just din modell drar nytta av few-shot jämfört med zero-shot, särskilt för resonemangstunga uppgifter där extra exempel inte alltid hjälper .

Viktiga insikter

• Exempel förbättrar träffsäkerheten dramatiskt. Claude 3 Haiku gick från 11 % korrekthet utan exempel till 75 % med bara tre exempel – samma prestanda som mycket större modellers zero-shot-resultat .
• 2–5 exempel är den forskningsunderbyggda optimala nivån. Prompt-guider beskriver few-shot prompting som att använda cirka 2–5 exempel, och en guide identifierar 2–5 exempel som det typiska optimala intervallet .
• Mer är inte alltid bättre. En studie på arXiv identifierade ett ”överprompningsproblem” där för många exempel kan försämra modellens prestanda – det utmanar antagandet att fler exempel alltid hjälper .
• Exempelkvalitet är viktigare än antal. Diversifierade, högkvalitativa och välspridda exempel kan överträffa enbart fler exempel, medan inkonsekventa exempel kan lära modellen inkonsekventa mönster .
• För resonemangstunga uppgifter – prova zero-shot först. Anta inte att exempel alltid behövs; testa zero-shot mot few-shot, eftersom överprompning kan minska prestandan i vissa sammanhang .

Praktiska rekommendationer

Slutsats: Använd exempel, håll dig till 2–5, och prioritera kvalitet och variation framför kvantitet . Testa om just din modell drar nytta av few-shot jämfört med zero-shot, särskilt för resonemangstunga uppgifter där extra exempel inte alltid hjälper .