少样本学习是什么？大模型为什么看几个例子就会
从"喂一万条"到"看三个例"
早年的机器学习有个硬规矩：想让模型学会分类邮件，得先标好几千封"正常"和"垃圾"给她喂进去，它才勉强上路。今天的大模型却画风突变——你只在对话里摆两三个例子，说"像这样分"，它就能照着办。这种"给少量示范就上手"的能力，叫少样本学习，是大模型最实用的本事之一。
一个比方：看样例学做事的人
想象招了个悟性极高的新员工。你不必从头教他识字，因为他早已通识傍身；你只要递给他两三份"输入—输出"的范例，他就能举一反三，处理后面的新单子。大模型正是这样：预训练阶段已经读透了语言规律，少样本学习只是临场给他看几个"模板"，他靠通识把模式补齐，而不是从零学规则。
它发生在"上下文"里，不改参数
关键的冷知识：少样本学习通常不动模型的参数。你给的例子就放在这一次对话的上下文里，模型现场"读题、模仿、作答"。这叫上下文学习。好处是零成本——不用训练、不用微调，换批例子就能换种干法；缺点是例子占着有限的上下文窗口，给太多反而容易乱，而且关掉对话就忘，下次得重给。
为什么它有时翻车
少样本不是万能。其一，例子若带偏见或错误，模型照单全收，所谓"跟着学坏"。其二，任务太绕、例子不够典型，它容易表面模仿而非真懂，换个说法就懵。其三，它依赖预训练里已有的相关通识——你让它用从没接触过的专业符号体系干细活，给仨例子也救不回来。它强在"通识可迁移"，弱在"没法凭空生知识"。
和微调该怎么选
少样本适合临时、多变的任务：今天按 A 格式、明天按 B 格式，给例子最灵活。若一件事要长期、海量、稳定地做，且对准确率要求高，还是把例子变成训练数据做微调更稳。简单说，少样本是"现场看样"，微调是"正式培训"，前者快、后者牢。
小结
少样本学习让大模型摆脱了"每条规矩都得从头训练"的旧框：靠预训练攒下的通识打底，临场看几个范例就能举一反三。它便宜、灵活、零训练，但怕坏例子、怕生僻事、关窗就忘。理解它，你就掌握了和大模型"用例子沟通"的那把钥匙。所以和大模型协作时，多花心思在"给好例子"上，往往比换模型更见效。它看的是范式不是死规则，你给的样例质量，直接决定了它上手的高度。少样本不是魔法，而是预训练通识的临场变现——你递的范例，就是它这次变现的剧本。
