Metóda interakcie s LLM bez predchádzajúcich príkladov. Model generuje odpoveď výhradne na základe svojich predtrénovaných váh a sémantického pochopenia inštrukcie.
Termín označuje schopnosť modelu spracovať úlohu, ktorú explicitne nevidel vo forme tréningových dát s ukážkami riešenia v kontexte promptu. Na rozdiel od Few-shot techník, tu chýba akýkoľvek vzor "vstup-výstup". Model sa spolieha na vnútornú logiku a kompresiu znalostí získanú počas fázy pre-trainingu.
Zlyháva pri úlohách vyžadujúcich špecifický formát výstupu alebo dodržiavanie interných firemných pravidiel, ktoré nie sú súčasťou verejných dát. Ak potrebujete presné JSON štruktúry alebo špecifickú terminológiu, odporúča sa prejsť na konfiguráciu systémových inštrukcií.
Hoci Zero-shot funguje priamočiaro, pridanie frázy "Think step by step" aktivuje logické reťazenie bez nutnosti vkladať príklady. Toto je hybridný prístup, ktorý zvyšuje presnosť pri matematických alebo logických úlohách, pričom technicky stále ostáva v kategórii bez ukážok. Viac nájdete v sekcii Chain-of-Thought.
Absencia príkladov v prompte znižuje počet vstupných tokenov. To vedie k rýchlejšiemu spracovaniu požiadavky a nižším nákladom na API prevádzku pri škálovaní.
Metóda je ideálna pre kreatívne písanie, sumarizáciu a preklady. Nevyžaduje prípravu datasetu príkladov, čo umožňuje okamžité nasadenie do produkcie.
Efektívny Zero-shot prompt vyžaduje striktnú štruktúru. Prvým krokom je definícia role (napr. "Pôsobíš ako technický redaktor"). Následne sa definuje kontext a presná úloha. Bez príkladov musí byť inštrukcia zbavená ambiguity. Odporúča sa používať delimitery na oddelenie inštrukcií od spracovávaného textu.
Druhým krokom je nastavenie formátu. Ak požadujete zoznam, musíte to explicitne uviesť: "Výstupom bude zoznam s odrážkami". LLM pri Zero-shot nastavení často inklinuje k rozvláčnosti, preto je vhodné limitovať dĺžku odpovede počtom slov alebo viet priamo v zadaní.
Posledná fáza zahŕňa validáciu výstupu. Pri Zero-shot metóde je riziko halucinácií vyššie ako pri Few-shot, preto je nutné výsledky testovať proti očakávaným faktom. V prípade neuspokojivých výsledkov je potrebné upraviť parametre temperature, aby sa znížila náhodnosť generovania.
Určenie tónu zákazníckej recenzie (pozitívny/negatívny/neutrálny) bez nutnosti predkladať stovky označených príkladov.
Skrátenie dlhých technických správ do troch kľúčových bodov pre manažérske prehľady.
Automatické priradenie prichádzajúcich e-mailov do kategórií ako "Fakturácia", "Podpora" alebo "Predaj".