Hva er few-shot og zero-shot læring? Enkelt forklart

TL;DR (Kort oppsummert)

Few-shot og zero-shot læring beskriver noe av det som gjør moderne KI-modeller så fleksible: de kan løse oppgaver de aldri har fått spesifikk opplæring i fra før. Zero-shot betyr at modellen løser oppgaven uten et eneste eksempel, kun ut fra den generelle kunnskapen den har fra treningen. Few-shot betyr at du gir modellen noen få eksempler i selve samtalen, og den plukker opp mønsteret der og da. Dette er en av grunnene til at du kan be en KI om nesten hva som helst, uten at noen har “programmert” den spesifikt for akkurat den oppgaven på forhånd. Denne artikkelen forklarer forskjellen enkelt og hvordan du selv kan bruke few-shot i praksis når du skriver en prompt.

Hvorfor trenger vi disse begrepene i det hele tatt?

Tradisjonell programvare gjør som regel akkurat det den er bygget for å gjøre, og ikke stort mer. Et regneark kan summere tall, men det kan ikke plutselig skrive et dikt uten at noen har lagt til den funksjonen spesifikt. Slik fungerte tidlig maskinlæring også. En modell trent på å gjenkjenne katter på bilder kunne bare gjenkjenne katter, ikke plutselig oversette tekst.

Moderne, store språkmodeller bryter med dette mønsteret. De er trent på enorme mengder variert tekst og tilegner seg derfor en generell evne til å gjenkjenne mønstre og oppgavetyper. Denne evnen strekker seg utover de spesifikke oppgavene de ble eksplisitt trent på. Det er nettopp denne generelle evnen few-shot og zero-shot læring beskriver: hvor godt en modell kan løse en helt ny oppgavetype, med henholdsvis noen få eksempler eller ingen eksempler i det hele tatt.

Zero-shot læring: løse noe uten et eneste eksempel

Zero-shot betyr at modellen løser en oppgave den aldri har sett eksempler på i selve samtalen eller nødvendigvis spesifikt under trening, kun basert på sin generelle forståelse av språk og verden. To eksempler viser dette i praksis: du spør en moderne KI-chatbot om å oversette en setning til et språk den knapt har sett mye av, eller du ber den klassifisere en tekst inn i kategorier du selv finner opp der og da. I begge tilfeller får den ikke et eneste eksempel på hvordan svaret skal se ut. Det er zero-shot. Modellen henter da utelukkende fra det den allerede har lært generelt, uten noen ekstra veiledning fra deg i selve spørsmålet.

Few-shot læring: å vise noen få eksempler

Few-shot betyr at du gir modellen noen få eksempler direkte i selve samtalen eller instruksen, og at den plukker opp mønsteret fra dem, uten at du trenger å trene modellen på nytt for å få den til å følge det mønsteret. Et konkret eksempel: gi ChatGPT tre eksempler på hvordan du vil ha en e-post formatert (kort innledning, tre punkter, vennlig avslutning), og be den skrive en fjerde e-post etter samme mal. Modellen har aldri sett akkurat din mal før, men den forstår mønsteret ut fra de tre eksemplene og følger det.

Dette er også kjent som few-shot prompting, en praktisk teknikk du selv kan bruke når du skriver instruksjoner til en KI-modell. Se vår innføring i å skrive gode prompts for flere konkrete grep. Å legge inn to eller tre gode eksempler i en prompt er ofte en av de raskeste måtene å få et KI-verktøy til å levere akkurat den typen svar du er ute etter, uten at du trenger å beskrive formatet i lange, detaljerte setninger.

Zero-shot og few-shot side om side

	Zero-shot	Few-shot
Antall eksempler du gir	Ingen	Noen få (vanligvis to til fem)
Hva modellen baserer svaret på	Generell kunnskap fra treningen alene	Generell kunnskap pluss mønsteret i eksemplene dine
Best egnet til	Generelle spørsmål uten et bestemt format i tankene	Oppgaver med et spesifikt format, stil eller struktur
Krever ny trening av modellen?	Nei	Nei

En viktig nyanse: to litt ulike betydninger av “few-shot”

Begrepet brukes litt om to beslektede, men ikke identiske ting, og det er lett å blande dem sammen:

Few-shot som en egenskap ved selve modellen. Forskerne bak GPT-3 publiserte i 2020 forskningsartikkelen “Language Models are Few-Shot Learners” (Brown et al., OpenAI). Poenget var at store nok språkmodeller blir gode til å løse nye oppgaver bare de får noen få eksempler. Modellens underliggende parametere trenger ikke endres eller trenes på nytt for at dette skal fungere. Dette var på den tiden et overraskende og viktig funn og en direkte forløper til hvordan dagens modeller brukes.
Few-shot prompting som en teknikk du bruker i praksis. Dette er det du gjør hver gang du legger noen eksempler inn i en prompt for å styre formatet eller stilen på svaret, noe som i dag er en vanlig, praktisk skriveteknikk for hvem som helst, ikke bare forskere.

Den første betydningen forklarer hvorfor moderne modeller er fleksible nok til å lære av eksempler i utgangspunktet. Den andre er hvordan du selv drar nytte av det i en vanlig samtale.

Hvordan henger dette sammen med annen KI-trening?

Few-shot og zero-shot læring er nært beslektet med transfer learning (overføringslæring): ideen om at kunnskap en modell har tilegnet seg fra én oppgave eller ett datasett kan overføres og gjenbrukes på en annen, beslektet oppgave. Det er nettopp denne overførbare, generelle kunnskapen som gjør at en modell kan løse noe helt nytt basert på få eller ingen eksempler. Eldre, mer spesialiserte maskinlæringssystemer måtte i stedet læres opp fra bunnen av for hver eneste ny oppgavetype.

Vanlige spørsmål

Er zero-shot alltid dårligere enn few-shot?

Ikke nødvendigvis, men few-shot gir som regel modellen et tydeligere signal om akkurat hva du er ute etter, spesielt for oppgaver med et spesifikt format eller en spesifikk stil. Zero-shot fungerer godt for mer generelle spørsmål der du ikke har et bestemt format i tankene.

Må jeg kunne disse begrepene for å bruke ChatGPT eller Claude godt?

Nei, du trenger ikke kjenne fagbegrepene for å dra nytte av teknikken. Å legge et par eksempler inn i spørsmålet ditt (few-shot prompting i praksis) er noe hvem som helst kan gjøre, uavhengig av om man kjenner navnet på teknikken.

Hvor mange eksempler trengs for at noe skal kalles “few-shot”?

Det finnes ikke noe eksakt tall, men vanligvis snakker man om et sted mellom ett og noen få (gjerne to til fem) eksempler. Bruker du mange flere, nærmer man seg det som heller kalles finjustering (fine-tuning) av en modell, en annen og mer omfattende prosess enn å bare gi eksempler i selve samtalen.

Er dette det samme som hvordan mennesker lærer?

Det er en løs analogi, ikke en direkte parallell. Mennesker kan lære av få eksempler fordi vi bygger på enormt mye annen erfaring og forståelse av verden fra før. Språkmodeller gjør noe strukturelt annerledes, ren mønstergjenkjenning basert på statistiske sammenhenger i treningsdataen, men resultatet, evnen til å plukke opp et nytt mønster raskt, kan minne litt om hvordan mennesker fungerer.

Oppsummering og kilder

Zero-shot læring betyr at en KI-modell løser en oppgave uten noen eksempler i det hele tatt, basert på generell kunnskap fra treningen. Few-shot betyr at du gir modellen noen få eksempler direkte i samtalen, og at den plukker opp mønsteret der og da. Begge deler er en direkte konsekvens av at moderne, store språkmodeller har tilegnet seg generell, overførbar kunnskap, ikke bare smale ferdigheter for én spesifikk oppgave. Few-shot prompting er også en praktisk teknikk du selv kan bruke i dag for å få bedre, mer presise svar.

Det viktigste å huske:

Zero-shot: modellen løser en oppgave uten et eneste eksempel, kun basert på generell kunnskap
Few-shot: modellen løser en oppgave etter å ha sett noen få eksempler i selve samtalen
Few-shot prompting er en praktisk skriveteknikk du selv kan bruke for å få mer presise svar
Dette henger sammen med at store språkmodeller tilegner seg overførbar, generell kunnskap under trening, ikke bare smale enkeltferdigheter

Kilder brukt i denne artikkelen:

Brown, T. et al.: Language Models are Few-Shot Learners (OpenAI, arXiv, 2020) (primærkilde, forskningsartikkel)
Stanford HAI: What is Zero-Shot Learning?
IBM: What Is Few-Shot Learning?
Prompt Engineering Guide: Few-Shot Prompting
Vår egen ordliste: few-shot learning og zero-shot learning

Sist oppdatert: August 2026

Hva er "few-shot" og "zero-shot" læring? Hvorfor KI kan løse oppgaver den aldri er trent spesifikt på