重點發現

• 例子可以大幅提升準確度。 例如Claude 3 Haiku，冇例子的時候得11%準確率，加咗3個例子之後跳到75% — 追平咗大模型用zero-shot嘅表現 。
• 2-5個例子係研究確認嘅最佳數量。 Prompting指引普遍話few-shot prompting通常係用2-5個例子，有啲研究更加確定量佳範圍就係2-5個 。
• 唔係愈多愈好。 一份arXiv研究發現「過度提示」（over-prompting）問題，即係太多例子反而會拖低模型表現，推翻咗「越多越好」嘅假設 。
• 例子嘅質素比數量更重要。 揀啲有代表性、高質素同多元化嘅例子，效果會好過單純加多幾個例；相反，唔一致嘅例子會教壞個模型 。
• 做推理類任務嗰陣，試吓zero-shot先。 唔好假設一定要加例子，應該試吓zero-shot同few-shot邊個效果好，因為過度提示喺某啲情境下反而會搞衰個表現 。

實戰建議

總結： 記得要加例子，但控制喺2-5個以內，質素同多樣性比數量更加重要 。同時要試吓你嗰個特定模型，睇吓few-shot定zero-shot效果好啲，特別係推理類任務，太多例子未必有用 。

重點發現

• 例子可以大幅提升準確度。 例如Claude 3 Haiku，冇例子的時候得11%準確率，加咗3個例子之後跳到75% — 追平咗大模型用zero-shot嘅表現 。
• 2-5個例子係研究確認嘅最佳數量。 Prompting指引普遍話few-shot prompting通常係用2-5個例子，有啲研究更加確定量佳範圍就係2-5個 。
• 唔係愈多愈好。 一份arXiv研究發現「過度提示」（over-prompting）問題，即係太多例子反而會拖低模型表現，推翻咗「越多越好」嘅假設 。
• 例子嘅質素比數量更重要。 揀啲有代表性、高質素同多元化嘅例子，效果會好過單純加多幾個例；相反，唔一致嘅例子會教壞個模型 。
• 做推理類任務嗰陣，試吓zero-shot先。 唔好假設一定要加例子，應該試吓zero-shot同few-shot邊個效果好，因為過度提示喺某啲情境下反而會搞衰個表現 。

實戰建議

總結： 記得要加例子，但控制喺2-5個以內，質素同多樣性比數量更加重要 。同時要試吓你嗰個特定模型，睇吓few-shot定zero-shot效果好啲，特別係推理類任務，太多例子未必有用 。