少樣本學習（Few-shot Learning）的主要特徵是什麼？
某市政府環保局想建立一個垃圾分類查詢系統，讓市民輸入物品名稱後自動判斷分類。由於垃圾種類繁多，但每種分類的訓練範例有限，工程師決定採用少樣本學習（Few-shot Learning）技術。下列何者為少樣本學習（Few-shot Learning）的主要特徵？
市政府要建一個垃圾分類查詢系統，讓市民輸入物品名稱就能知道怎麼分類。麻煩的是，每種分類的訓練資料很有限，工程師決定用少樣本學習（Few-shot Learning）來解決這個問題。
問你：Few-shot Learning 的主要特徵是什麼？
一句話總結
Few-shot Learning 的核心特徵是：給模型少量示例（幾個到幾十個），它就能舉一反三處理新任務，不需要重新蒐集大量標注資料，也不是完全不需要示例。
先感受問題：垃圾分類種類太多，每類只有幾筆資料怎麼辦？
假設你在「台南市環保局」幫忙建垃圾分類 AI 系統。台南市把垃圾分成 30 幾個類別：一般垃圾、資源回收（紙、塑膠、金屬、玻璃各別）、廚餘、有害廢棄物、大型家具、電子廢棄物……
問題是：「廢電池」這個分類每個月被問到的次數很少，資料庫裡只有 15 筆歷史查詢紀錄；「廢藥品」更少，只有 8 筆。傳統機器學習需要每個類別至少幾百筆才能訓練，這些類別根本不夠用。
但這些類別偏偏很重要，搞錯了可能造成環境污染。
你需要一種方法：只給幾個示例（「這是廢電池，屬於有害廢棄物」「這是廢油漆，屬於有害廢棄物」），模型就能學會辨認這個類別的其他物品。這就是 Few-shot Learning。
傳統方法面對稀少類別的困境
在 Few-shot Learning 之前，工程師面對「每類樣本少」的問題，只有幾個選擇，都不理想：
- 蒐集更多資料：雇人去標注更多「廢電池」案例，但現實中這類物品確實少見，蒐集幾百筆要花很多時間
- 合併類別：把「廢電池」「廢藥品」「廢油漆」都合成「有害廢棄物」一個大類。但這樣查詢時就無法告訴市民具體要怎麼丟
- 規則式系統：手動寫關鍵字規則（「電池」→有害廢棄物）。規則會有漏網之魚（市民可能輸入「AA 電池」「充電電池」「鈕扣電池」，每種要單獨設規則）
- 放棄這些稀少類別：只做能收集到足夠資料的類別，其他一律回答「請洽環保局」。服務品質大打折扣
- 資料增補（Data Augmentation）：用各種方法人工生成更多訓練資料。但對語意複雜的分類效果有限
Few-shot Learning 怎麼解
Few-shot Learning 的核心思路是：預訓練好的大型模型已經有豐富的語言理解能力，只需要幾個示例就能「快速領悟」新任務的模式。
在垃圾分類系統中，Few-shot Learning 的實際運作方式有兩種：
方式一：提示詞示例（In-context Learning）。在每次查詢時，把幾個示例放進提示詞：「廢電池 → 有害廢棄物；廢藥品 → 有害廢棄物；廢油漆 → 有害廢棄物；請問：舊溫度計屬於？」模型看到示例就能類推。
方式二：小樣本微調（Few-shot Fine-tuning）。用幾十筆示例對預訓練模型做輕量級微調，讓它專注學習這個分類任務的模式，不需要從頭訓練。
台南市環保局用 Few-shot Learning，只需要每個類別 5-20 個示例，就能讓系統識別出「舊溫度計、廢針筒、過期農藥」都屬於有害廢棄物，準確率大幅提升。
這就是選項 B 講的：透過少量任務示例，引導模型適應新情境或新分類需求。
技術版：Few-shot Learning 的類型與適用場景
Few-shot Learning 是元學習（Meta-learning）領域的重要技術，其核心思想是「學習如何學習」：模型不只學習特定任務，更學習從少量示例中快速適應新任務的能力。
Few-shot 的三個層次：Zero-shot（零示例，完全依賴預訓練知識）、One-shot（一個示例）、Few-shot（幾個到幾十個示例）。相對地，傳統監督學習需要幾千到幾萬筆資料。
在 LLM 中的 Few-shot 實作：大型語言模型（如 GPT-4）具有強大的 In-context Learning 能力，把幾個示例放進提示詞就能引導模型執行新任務，不需要重新訓練模型參數。這是 Few-shot Learning 在生成式 AI 應用中最常見的形式。
Few-shot 的適用條件：需要底層模型有足夠強的預訓練能力（如大型語言模型、CLIP）；示例要有代表性（選錯示例會引導模型往錯方向走）；任務複雜度不能太高（過於複雜的任務還是需要更多訓練資料）。
為什麼出題者要考這題：Few-shot Learning 在 2023 年後因 GPT-4 等模型的崛起而變得非常實用，規劃師必須知道它解決的是「每類樣本少」的問題，並能區分它和 Zero-shot（完全不需示例）的差別。
為什麼其他選項是錯的
A需重新蒐集大規模標注資料，以確保模型具備穩定表現
要讓模型表現好，就要蒐集大量有標籤的資料重新訓練。
這說的是「傳統監督學習」的做法，也正是 Few-shot Learning 想要解決的問題。Few-shot 的核心特徵就是「不需要大量資料」，只用少量示例就能運作。A 和 Few-shot 的精神完全相反。
對 Few-shot Learning 沒有概念，以為「好的 AI 一定要大量資料」的人。
C不需任何範例輸入，即可完成新任務推論
完全不給任何示例，模型也能做新任務。
這說的是 Zero-shot Learning，不是 Few-shot Learning。「Few」的意思就是「幾個」，需要幾個示例。完全不需要示例是 Zero-shot 的特徵。兩個概念很像但不同，考試常考這個區分。
把 Few-shot 和 Zero-shot 混在一起，或者認為「少量示例」等於「不需要示例」的人。
D僅適用於自然語言處理任務，對其他模態效果有限
Few-shot Learning 只在 NLP 領域有效，圖片、聲音等任務效果不好。
這是錯誤的。Few-shot Learning 在電腦視覺（如 CLIP 模型辨識新類別）、語音辨識、甚至機器人控制等領域都有廣泛應用。Few-shot 是一個跨模態的技術概念，不限於 NLP。
接觸 Few-shot 的場景主要是 GPT 的提示詞工程，因此誤以為這個技術只屬於語言領域的人。
同個考點下次怎麼變形
Zero-shot、One-shot、Few-shot Learning 三者最核心的差別是什麼？
名字差不多，數字不同，實際上差在哪？
差別在給模型的示例數量：Zero-shot 完全不給示例（靠預訓練知識推論）；One-shot 給一個示例；Few-shot 給幾個到幾十個示例。示例越多，模型對新任務的理解通常越準確，但 Few-shot 的優勢正是少量示例就夠用。
在 GPT 這類語言模型的提示詞中做 Few-shot，跟傳統 Fine-tuning 的 Few-shot 有什麼差別？
兩個都叫 Few-shot，但感覺做法不一樣。
提示詞 Few-shot（In-context Learning）：示例放在對話提示詞裡，不修改模型參數，每次推論都要帶著示例，適合快速實驗；Fine-tuning Few-shot：用少量示例真正更新模型權重，一次調整後推論時不需要帶示例，效率更高但需要訓練資源。
選擇 Few-shot 的示例時，什麼樣的示例品質最重要？
示例不就是隨便給幾個嗎？
示例品質關鍵在三點：代表性（示例要涵蓋這個類別的典型特徵，而非邊緣案例）；多樣性（多個示例應該展示不同的面向，不要全部相似）；格式一致（輸入輸出格式要和實際查詢一致，避免模型混淆）。
垃圾分類系統加了新類別「廢棄太陽能板」，用 Few-shot Learning 只需要幾個示例就能讓系統學會，為什麼傳統機器學習做不到這件事？
傳統機器學習加新類別很難嗎？
傳統機器學習的分類模型學到的是「在所有已知類別中找到邊界」，加一個新類別需要重新訓練整個模型，而且新類別要有足夠資料。Few-shot Learning 建立在預訓練模型的廣泛知識上，「廢棄太陽能板」的概念已存在於模型知識中，幾個示例只是告訴模型「這個概念在我們系統裡屬於這個分類」。
Few-shot Learning 最不適合什麼樣的任務類型？
Few-shot 這麼好用，有什麼場景不適合嗎？
三類不適合的場景：需要高精確度、低容錯的任務（如醫療診斷，幾個示例的模型不夠可靠）；需要精確數字計算的任務（語言模型的數學能力靠示例引導效果有限）；大量長尾分類且分類差異細微的任務（幾個示例難以完整描述細微差別）。這些場景仍需要大量標注資料的傳統方法。
想再往下看，這 5 個
- 少樣本學習（Few-shot Learning）只需少量示例就能讓模型適應新任務的學習方法，利用預訓練模型的廣泛知識進行快速遷移，是解決稀少類別問題的重要技術
- 零樣本學習（Zero-shot Learning）完全不提供示例，模型純靠預訓練知識和任務描述就能完成新任務的能力，大型語言模型是目前 Zero-shot 能力最強的系統
- 上下文學習（In-context Learning）透過在提示詞中放入示例來引導語言模型行為，不修改模型參數，是 GPT 系列模型 Few-shot 應用的主要方式
- 元學習（Meta-learning）「學習如何學習」的機器學習方法，訓練模型快速適應新任務的能力，Few-shot Learning 是其重要應用方向
- 資料增補（Data Augmentation）用技術手段從現有少量資料生成更多訓練資料的方法，包含文字改寫、同義詞替換、回譯等，常與 Few-shot Learning 搭配使用以提升效果