Zero-shot i few-shot: uczenie kontekstowe modeli AI

Czym jest zero-shot learning?

Zero-shot prompting to technika, w której dajesz modelowi AI polecenie bez żadnych przykładów. Model polega wyłącznie na swojej wiedzy zdobytej podczas treningu, aby zrozumieć zadanie i wygenerować odpowiedź. Przykład: zapytanie "Oceń sentyment tego tekstu jako pozytywny, negatywny lub neutralny: 'Produkt jest OK.'" — model rozpoznaje koncept sentymentu i klasyfikuje poprawnie, bo nauczył się tego z danych treningowych. Zero-shot sprawdza się najlepiej w prostych zadaniach, które model już dobrze rozumie: analiza sentymentu, streszczanie, tłumaczenie, podstawowa klasyfikacja. Zawodzi przy zadaniach nietypowych, wymagających specyficznego formatowania albo rozumienia kontekstu branżowego.

Czym jest few-shot learning?

Few-shot prompting to technika, w której do promptu dodajesz 2-5 starannie dobranych przykładów pokazujących modelowi, jak ma wykonać zadanie. Przykłady działają jak demonstracja — model uczy się wzorca w locie, bez ponownego trenowania. Przykład few-shot dla klasyfikacji sentymentu: pokazujesz 3 przykłady ("Uwielbiam to!" → pozytywny, "Jestem rozczarowany." → negatywny, "Może być." → neutralny), a potem pytasz o nowe zdanie. Model widzi wzorzec i odpowiada poprawnie, nawet jeśli zdanie jest niejednoznaczne. Few-shot radzi sobie z zadaniami, gdzie zero-shot się gubi: niuanse językowe, sarkazm, specyficzny format JSON, branżowa terminologia. Kosztem jest zużycie tokenów — każdy przykład zajmuje miejsce w oknie kontekstowym.

One-shot: szczególny przypadek few-shot

One-shot learning to wariant few-shot, gdzie dajesz dokładnie jeden przykład. Sprawdza się, gdy zadanie ma przewidywalną strukturę, a pojedynczy przykład wystarcza do pokazania formatu. Przykład: tłumaczenie nazwy firmy z zachowaniem konwencji — pokazujesz jedno tłumaczenie wzorcowe i model od razu rozumie schemat. Jeden dobry przykład często wystarcza do zadań formatujących. Jeśli jeden przykład nie daje stabilnych wyników, przejdź do 3 przykładów — to najczęstszy sweet spot.

Kiedy zero-shot wystarcza?

Zero-shot działa dobrze dla zadań, które model widział wielokrotnie w danych treningowych: analiza sentymentu ogólnego, tłumaczenie między popularnymi językami, streszczanie tekstu, odpowiedzi na pytania ogólne, generowanie prostego kodu, klasyfikacja według oczywistych kategorii. Współczesne modele jak Claude Opus 5 czy GPT-5 radzą sobie z coraz szerszym zakresem zadań zero-shot dzięki większej wiedzy ogólnej i lepszemu rozumieniu instrukcji. Zasada praktyczna: najpierw testuj zero-shot z najlepszym dostępnym modelem. Jeśli wynik jest zadowalający, nie komplikuj promptu przykładami — są zbędnym kosztem.

Kiedy few-shot jest niezbędny?

Few-shot jest konieczny, gdy: (1) potrzebujesz precyzyjnego formatu wyjścia, np. JSON o określonej strukturze; (2) zadanie wymaga znajomości specyficznej terminologii lub konwencji branżowej; (3) model ma rozpoznawać niuanse — ironię, sarkazm, subtelne rozróżnienia kategorii; (4) klasyfikujesz dane o wysokiej zmienności, gdzie kategorie nakładają się na siebie; (5) budujesz system AI, który ma działać niezawodnie na setkach lub tysiącach przypadków — koszt 3 przykładów to ułamek kosztu błędnej klasyfikacji. W systemach produkcyjnych few-shot to standard przy zadaniach typu ekstrakcja danych z dokumentów, klasyfikacja zgłoszeń czy formatowanie treści.

Ograniczenia i pułapki few-shot

Few-shot ma trzy główne ograniczenia. Po pierwsze, koszt tokenów — każdy przykład to dodatkowe tokeny w prompcie, co zwiększa koszt API i zajmuje miejsce w oknie kontekstowym. Przy 5 przykładach po 200 tokenów tracisz 1000 tokenów, które mogłyby pójść na dane właściwe. Po drugie, ryzyko overfittingu do przykładów — model może nauczyć się powierzchownego wzorca zamiast rzeczywistej logiki zadania. Jeśli przykłady są niereprezentatywne, model będzie systematycznie błędnie klasyfikował przypadki spoza rozkładu demonstracji. Po trzecie, malejące korzyści — badania pokazują, że po 5-8 przykładach jakość zwykle przestaje rosnąć, a czasem nawet spada. Więcej nie zawsze znaczy lepiej.

Few-shot a modele reasoningowe — ważny wyjątek

Współczesne modele reasoningowe (GPT-5 z reasoning mode, Claude z rozszerzonym myśleniem) często działają gorzej z few-shot niż zero-shot przy zadaniach wymagających logicznego rozumowania. Badania Anthropic i OpenAI pokazują, że przykłady mogą zbić model z jego własnego toku rozumowania — model kopiuje powierzchowny wzorzec zamiast przeprowadzić głęboką analizę. Dla zadań matematycznych, logicznych i wymagających wieloetapowego wnioskowania, lepiej sprawdza się zero-shot z instrukcją "pomyśl krok po kroku" (Chain of Thought). Few-shot zostaje najlepszym narzędziem do klasyfikacji, formatowania i ekstrakcji, ale nie do rozumowania.

Znaczenie dla budowania systemów AI

Dla solopreneurów i ekspertów budujących własne systemy AI, decyzja zero-shot vs few-shot to jedno z pierwszych praktycznych pytań przy projektowaniu promptu. W systemie sprzedaży wiedzy, gdzie AI ma klasyfikować leady albo formatować treści, 3 dobrze dobrane przykłady to często różnica między "działa" a "nie do użytku". Warto zbudować bibliotekę sprawdzonych przykładów dla powtarzalnych zadań — to inwestycja jednorazowa, która zwraca się przy każdym wywołaniu API. Jednocześnie, przy zadaniach analitycznych i doradczych, lepiej dać modelowi swobodę rozumowania niż ograniczać go przykładami.