LLM由于参数量巨大，导致更新起来困难。因此很少对训练好的LLM做微调。但是为了在特殊任务上有较好的表现，但是又不固定微调后的模型，所以提出了one-shot、few-shot的方式，通过加入偏置，影响模型的最终输出。
这也就是说，如果在prompt中是否加入一个或者多个正确的例子，例如分类任务中，加入一些正确的任务描述例子，都不能算作是zero-shot，但是问题是你怎么能保证模型训练没有用过这些数据，他们当时训练就可能搜集到了，模型说不定都见过，也就是说至少不存在严格意义的zeroshot。
来自：老刘说NLP
而one-shot、few-shot可以变相的理解成用一个/多个example进行模型微调，但是微调后的模型不保存。每次提供inference都要微调一遍，Nogradientupdatesareperformed.就是说提供inference的模型参数保持不变，但这其实是tuning的范畴。
如果训练集中，不同类别的样本只有一个，则成为One-shot，属于Few-shot的一种特殊情况。
如果不更新参数，那么这种学习就是瞬间的，不构成learning。预训练模型自身训练完后本身有一套参数，finetune就是在预训练基础上继续训练，肯定会有梯度更新，因为finetune后参数会变，参数变了梯度必然会更新。直接推理出答案，后台梯度也不更新。
我们发现，如果引入incontext-learning这一思想，作为一个fewshot任务来提升ChatIE这类模型的性能，可能是一个很好的思路，在此基础上个配上一个开源项目进行解释能够增强了解。
单次微调，参数更新，但微调后模型不保存。
Few-shot与One-shot
也就是说，只有推理阶段，没有训练阶段。这个常见于chatgpt中qa形式，直接通过问题prompt，基于已训练好的大模型，进行直接预测。
直接不微调，参数直接不更新
需要注意的是，如果以这个模型到底有没有见过标注样本，来划分zero-shot与其他的差别，就是主要见过，无论是在推理阶段用【不更新梯度】，还是加入finetune阶段参与训练【更新参数】，那就肯定不是zero-shot，否则就是数据泄漏。
Zero-shot、One-shot以及Few-shot让人傻傻分不清，读了很多文章，也没搞清楚他们的差别，究竟什么叫zero-shot，其在应用过程中的nogradientupdate是什么含义，zero-shot是否为一个伪命题，成为了一些有趣的问题。
从ChatIE：面向REEENER三种任务的伪zero-shotprompt说起
但其中的“nogradientupdate让人费解”，后面想了想，有2种理解：
最近有篇文章《Zero-ShotInformationExtractionviaChattingwithChatGPT》很有趣，该工作将零样本IE任务转变为一个两阶段框架的多轮问答问题,并在三个IE任务中广泛评估了该框架：实体关系三元组抽取、命名实体识别和事件抽取。在两个语言的6个数据集上的实验结果表明，ChatIE取得了非常好的效果，甚至在几个数据集上上超过了全监督模型的表现。
任务要素定义：
先谈谈Zero-shot、One-shot以及Few-shot
如果训练集中，不同类别的样本只有少量，则成为Few-shot，如果参与训练学习，也只能使用较少的样本数。
其实现基本原理为，通过制定任务实体关系三元组抽取、命名实体识别和事件抽取，并为每个任务设计了2个步骤的prompt-pattern，第一步用于识别类型，第二步用于识别指定类型的值。将抽取的任务定义进行prompt填充，然后调用chatgpt接口，在取得结果后进行规则解析，结构化相应答案。
文章为作者独立观点，不代表股票交易接口观点
相关文章
股民评论