Zero-Shot-Learning

Was ist Zero-Shot-Learning?

Zero-Shot-Learning ist ein Modell, das eine Aufgabe ausführt, für die es keine Beispiele bekommen hat, und sich vollständig auf Fähigkeiten verlässt, die während des Trainings aufgenommen wurden. In der LLM-Praxis bedeutet das, allein mit Anweisungen zu prompten: Sie beschreiben die Aufgabe, liefern keine Demonstrationen, und das Modell generalisiert aus dem, was es bereits über Sprache, Code, und die Welt weiß.

Die wichtigsten Punkte

• Zero-Shot bedeutet null Beispiele im Prompt, nicht null Training. Die Fähigkeit kommt aus breitem Pretraining; der Prompt benennt nur die Aufgabe.
• Es ist der Standardmodus moderner instruction-getunter Modelle. Die meiste alltägliche LLM-Nutzung, von "fasse das zusammen" bis "schreibe ein Migrationsskript", ist Zero-Shot.
• Zero-Shot ist der günstigste Prompt, den man betreiben und pflegen kann, was ihn zum richtigen Startpunkt macht. Fügen Sie Beispiele nur hinzu, wenn gemessene Qualität es verlangt.
• Die Leistung hängt stark davon ab, wie die Aufgabe formuliert ist. Eine präzise Anweisung mit expliziten Output-Anforderungen schließt oft den Großteil der Lücke zu Few-Shot-Prompting.

So funktioniert es

Der Begriff kommt aus Machine Learning vor den LLMs, wo Klassifizierer gebeten wurden, Kategorien zu erkennen, die in ihren Trainingsdaten fehlten, typischerweise durch Ausnutzen von Beschreibungen oder Attributen der ungesehenen Klassen. Ein auf Pferde trainiertes Modell, dem gesagt wird "ein Zebra ist ein gestreiftes pferdeähnliches Tier", könnte Zebras labeln, ohne je eines gesehen zu haben. Die zugrundeliegende Idee, durch geteilte Struktur zu generalisieren statt durch direkte Beispiele, übertrug sich direkt auf Sprachmodelle in weit größerem Maßstab. Sie funktioniert auch bei Vision: OpenAIs CLIP erreichte die ImageNet-Genauigkeit des ursprünglichen ResNet-50 in einem Zero-Shot-Setting, ohne eines der 1,28 Millionen gelabelten Trainingsbeispiele zu berühren, auf denen ResNet-50 trainiert wurde (2021) [1].

Ein auf enormen Textkorpora vortrainiertes Foundation Model begegnet den meisten Aufgaben implizit: Übersetzung, Zusammenfassung, Klassifikation, und Code erscheinen natürlich in den Daten. Instruction Tuning bringt dem Modell dann bei, eine einfache Beschreibung einer Aufgabe als Bitte zu behandeln, sie auszuführen. Dieser Schritt zählt enorm: Googles FLAN-Arbeit von 2021 zeigte, dass Instruction Tuning eines 137-Milliarden-Parameter-Modells seine Zero-Shot-Performance über die von Zero-Shot-175B-GPT-3 auf 20 von 25 evaluierten Aufgaben hob [2]. Das Ergebnis ist, dass "klassifiziere dieses Support-Ticket als Abrechnung, Bug, oder Feature-Anfrage" ohne Demonstrationen funktioniert, weil sowohl Ticket-Sprache als auch Klassifikationsverhalten bereits in den Gewichten repräsentiert sind.

Zero-Shot sitzt an einem Ende eines Spektrums. Wenn nur-Anweisungs-Output unzuverlässig ist oder das Format driftet, ist der nächste Schritt Few-Shot-Prompting, das ausgearbeitete Beispiele hinzufügt, um das Muster festzunageln. Darüber hinaus sitzt Fine-Tuning, das das Muster in die Gewichte verschiebt. Praktiker erklimmen diese Leiter nur so weit, wie Evals sie zwingen, da jede Sprosse Kosten und Wartung hinzufügt. Eine nützliche Nuance für Agenten-Baumeister: Tool Use durch einen Agenten ist größtenteils Zero-Shot, da das Modell eine Tool-Beschreibung liest, die es nie zuvor gesehen hat, und aus der Beschreibung allein entscheidet, wie es sie aufruft. Tool-Spezifikationen zu schreiben ist Zero-Shot-Aufgabendesign.

Beispiel

Ein Team möchte eingehende Vertriebs-E-Mails in fünf Intent-Kategorien routen, bevor es in ML-Infrastruktur investiert. Ihre erste Version ist ein einzelner Zero-Shot-Prompt: die fünf Kategorienamen, eine Zeile, die jede definiert, und eine Anweisung, mit genau einem Kategorie-Label in JSON zu antworten. Gegen 200 handgelabelte historische E-Mails laufen gelassen, stimmt er ungefähr neunmal von zehn mit den menschlichen Labels überein, mit den meisten Fehlern konzentriert auf ein mehrdeutiges Kategorienpaar. Das reicht, um hinter einer Review-Queue auszuliefern. Erst später, wenn sie die letzten paar Genauigkeitspunkte wollen, fügen sie drei ausgearbeitete Beispiele hinzu, die auf das verwirrte Paar zielen, und bewegen diese eine Entscheidung von Zero-Shot zu Few-Shot, während alles andere nur-Anweisung bleibt.

Häufige Missverständnisse

Der häufige Fehler ist, nach einem fehlgeschlagenen Zero-Shot-Versuch zu schließen "das Modell kann diese Aufgabe nicht." Zero-Shot-Performance ist extrem empfindlich gegenüber Formulierung: das Output-Format zu benennen, Begriffe so zu definieren, wie Sie sie meinen, und Einschränkungen explizit zu nennen, kann Ergebnisse dramatisch verschieben. Die kanonische Demonstration ist Kojima et al.s Befund von 2022, dass das Anhängen von "Let's think step by step" an einen Zero-Shot-Prompt text-davinci-002s Genauigkeit auf MultiArith von 17,7 % auf 78,7 % hob, und auf GSM8K von 10,4 % auf 40,7 %, ohne hinzugefügte Beispiele [3]. Bevor Sie Beispiele hinzufügen oder zu Fine-Tuning greifen, iterieren Sie an der Anweisung selbst. Viele "Fähigkeitslücken" sind Spezifikationslücken, und ein umgeschriebener Prompt schließt sie kostenlos.

Was ist der Unterschied zwischen Zero-Shot und Few-Shot?

Der Prompt-Inhalt. Zero-Shot liefert nur Anweisungen; Few-Shot fügt eine Handvoll ausgearbeiteter Input-Output-Demonstrationen hinzu, die das Modell imitieren soll. Zero-Shot ist günstiger pro Aufruf und leichter zu pflegen, da keine Beispiele kuratiert und konsistent gehalten werden müssen. Few-Shot gewinnt, wenn Formatpräzision, ungewöhnliche Konventionen, oder Randfall-Behandlung zählen, weil Demonstrationen das genauer vermitteln als Prosa. Keines aktualisiert das Modell; beide sind Inferenzzeit-Techniken, und der praktische Workflow ist, Zero-Shot zu beginnen, zu messen, und Beispiele nur dort hinzuzufügen, wo die Messungen es sagen.

FAQ

Ist Zero-Shot-Learning dasselbe wie Zero-Shot-Prompting? Im aktuellen Sprachgebrauch effektiv ja. Zero-Shot-Learning ist der ältere, breitere ML-Begriff; Zero-Shot-Prompting benennt die LLM-Ära-Praxis von nur-Anweisungs-Prompts. Beide beschreiben Aufgabenleistung ohne aufgabenspezifische Beispiele.

Bedeutet Zero-Shot, dass das Modell nie auf der Aufgabe trainiert wurde? Nicht unbedingt, und das bringt Menschen durcheinander. Das Modell sah keine Beispiele in Ihrem Prompt, aber seine Pretraining-Daten enthielten fast sicher verwandtes Material. Zero-Shot beschreibt, was Sie zur Inferenzzeit lieferten, nicht was der Trainingskorpus enthielt.

Wann ist Zero-Shot gut genug für Produktion? Wenn gemessene Genauigkeit auf einem repräsentativen Eval-Set Ihre Messlatte erfüllt, und Fehlschläge billig oder stromabwärts abgefangen werden. Reichlich Produktions-Klassifikation, -Extraktion, und -Entwurfsarbeit läuft Zero-Shot hinter Validierung und menschlichem Review. Der Eval, nicht die Technik, sagt Ihnen, dass es sicher ist.

Quellen

1. Radford et al., OpenAI. "CLIP erreicht ResNet-50s ImageNet-Genauigkeit zero-shot." https://arxiv.org/abs/2103.00020. Abgerufen im August 2026.
2. Wei et al., Google. "FLAN-Instruction-Tuning übertrifft Zero-Shot-GPT-3 auf 20 von 25 Aufgaben." https://arxiv.org/abs/2109.01652. Abgerufen im August 2026.
3. Kojima et al. "Zero-Shot-Chain-of-Thought-Genauigkeitsgewinne auf MultiArith und GSM8K." https://arxiv.org/abs/2205.11916. Abgerufen im August 2026.