Zero-Shot Learning

Wat is Zero-Shot Learning?

Zero-shot learning is een model dat een taak uitvoert waarvoor het geen voorbeelden kreeg, volledig leunend op capaciteiten geabsorbeerd tijdens training. In LLM-praktijk betekent dit prompten met alleen instructies: je beschrijft de taak, levert geen demonstraties, en het model generaliseert vanuit wat het al weet over taal, code, en de wereld.

De belangrijkste punten

• Zero-shot betekent nul voorbeelden in de prompt, geen nul training. De capaciteit komt uit brede pretraining; de prompt noemt alleen de taak.
• Het is de standaardmodus van moderne instruction-getunede modellen. Het meeste alledaagse LLM-gebruik, van "vat dit samen" tot "schrijf een migratiescript," is zero-shot.
• Zero-shot is de goedkoopste prompt om te draaien en onderhouden, wat het het juiste startpunt maakt. Voeg alleen voorbeelden toe wanneer gemeten kwaliteit erom vraagt.
• Prestatie hangt zwaar af van hoe de taak geformuleerd is. Een precieze instructie met expliciete outputvereisten sluit vaak het meeste van de kloof met few-shot prompting.

Hoe het werkt

De term komt uit pre-LLM machine learning, waar classifiers werd gevraagd categorieën te herkennen afwezig uit hun trainingsdata, typisch door beschrijvingen of eigenschappen van de ongeziene klassen uit te buiten. Een model getraind op paarden en verteld "een zebra is een gestreept paardachtig dier" kon zebra's labelen zonder er ooit een gezien te hebben. Het onderliggende idee, generaliseren door gedeelde structuur in plaats van directe voorbeelden, droeg direct over naar taalmodellen op veel grotere schaal. Het werkt ook bij visie: OpenAI's CLIP matchte de ImageNet-nauwkeurigheid van het originele ResNet-50 in een zero-shot-setting, zonder ook maar één van de 1,28 miljoen gelabelde trainingsvoorbeelden aan te raken waar ResNet-50 op getraind was (2021) [1].

Een foundation model voorgetraind op enorme tekstcorpora ontmoet de meeste taken impliciet: vertaling, samenvatting, classificatie, en code verschijnen natuurlijk in de data. Instruction tuning leert het model dan een gewone beschrijving van een taak te behandelen als een verzoek om hem uit te voeren. Die stap doet er enorm toe: Googles FLAN-werk van 2021 liet zien dat instruction tuning van een model van 137 miljard parameters zijn zero-shot-prestaties tilde voorbij zero-shot 175B GPT-3 op 20 van 25 geëvalueerde taken [2]. Het resultaat is dat "classificeer dit supportticket als facturatie, bug, of featureverzoek" werkt zonder demonstraties, want zowel ticket-taal als classificatiegedrag zijn al gerepresenteerd in de gewichten.

Zero-shot zit aan één uiteinde van een spectrum. Wanneer alleen-instructie-output onbetrouwbaar is of het formaat afdrijft, is de volgende stap few-shot prompting, dat uitgewerkte voorbeelden toevoegt om het patroon vast te leggen. Daarboven zit fine-tuning, dat het patroon in de gewichten verplaatst. Practitioners beklimmen die ladder alleen zo ver als evals hen dwingen, want elke sport voegt kosten en onderhoud toe. Een nuttige nuance voor agentbouwers: toolgebruik door een agent is grotendeels zero-shot, want het model leest een toolbeschrijving die het nog nooit zag en beslist hoe hem aan te roepen alleen uit de beschrijving. Toolspecs schrijven is zero-shot-taakontwerp.

Voorbeeld

Een team wil inkomende salesmail routeren naar vijf intentiecategorieën voordat het in enige ML-infrastructuur investeert. Hun eerste versie is één zero-shot-prompt: de vijf categorienamen, één regel die elk definieert, en een instructie om te antwoorden met precies één categorielabel in JSON. Gedraaid tegen 200 met de hand gelabelde historische e-mails, komt hij ongeveer negen van de tien keer overeen met de menselijke labels, met de meeste missers geconcentreerd op één dubbelzinnig categoriepaar. Dat is genoeg om achter een reviewwachtrij uit te leveren. Pas later, wanneer ze de laatste paar nauwkeurigheidspunten willen, voegen ze drie uitgewerkte voorbeelden toe die op het verwarde paar mikken, en verplaatsen die ene beslissing van zero-shot naar few-shot terwijl al het andere alleen-instructie blijft.

Veelvoorkomende misvattingen

De gangbare fout is concluderen "het model kan deze taak niet" na één mislukte zero-shot-poging. Zero-shot-prestatie is extreem gevoelig voor formulering: het outputformaat noemen, termen definiëren zoals je ze bedoelt, en beperkingen expliciet stellen kunnen resultaten dramatisch doen kantelen. De canonieke demonstratie is Kojima et al.'s bevinding van 2022 dat het toevoegen van "Let's think step by step" aan een zero-shot-prompt de nauwkeurigheid van text-davinci-002 op MultiArith tilde van 17,7% naar 78,7%, en op GSM8K van 10,4% naar 40,7%, zonder toegevoegde voorbeelden [3]. Voordat je voorbeelden toevoegt of naar fine-tuning grijpt, itereer op de instructie zelf. Veel "capaciteitskloven" zijn specificatiekloven, en een herschreven prompt sluit ze gratis.

Wat is het verschil tussen zero-shot en few-shot?

De promptinhoud. Zero-shot levert alleen instructies; few-shot voegt een handvol uitgewerkte input-output-demonstraties toe die het model moet imiteren. Zero-shot is goedkoper per aanroep en makkelijker te onderhouden, want er zijn geen voorbeelden om te cureren en consistent te houden. Few-shot wint wanneer formatprecisie, ongewone conventies, of randgeval-afhandeling ertoe doen, want demonstraties communiceren die dingen preciezer dan proza. Geen van beide werkt het model bij; beide zijn inferentiemoment-technieken, en de praktische workflow is beginnen met zero-shot, meten, en voorbeelden alleen toevoegen waar de metingen het zeggen.

FAQ

Is zero-shot learning hetzelfde als zero-shot prompting? In huidig gebruik effectief ja. Zero-shot learning is de oudere, bredere ML-term; zero-shot prompting benoemt de LLM-tijdperk-praktijk van alleen-instructie-prompts. Beide beschrijven taakprestatie zonder taakspecifieke voorbeelden.

Betekent zero-shot dat het model nooit op de taak getraind werd? Niet noodzakelijk, en dit verwart mensen. Het model zag geen voorbeelden in je prompt, maar zijn pretrainingsdata bevatte bijna zeker verwant materiaal. Zero-shot beschrijft wat je op inferentiemoment leverde, niet wat het trainingscorpus bevatte.

Wanneer is zero-shot goed genoeg voor productie? Wanneer gemeten nauwkeurigheid op een representatieve evalset je lat haalt, en mislukkingen goedkoop of stroomafwaarts gevangen worden. Volop productieclassificatie, -extractie, en -opstelwerk draait zero-shot achter validatie en menselijke review. De eval, niet de techniek, is wat je vertelt dat het veilig is.

Bronnen

1. Radford et al., OpenAI. "CLIP matcht de ImageNet-nauwkeurigheid van ResNet-50 zero-shot." https://arxiv.org/abs/2103.00020. Geraadpleegd augustus 2026.
2. Wei et al., Google. "FLAN-instruction-tuning overtreft zero-shot GPT-3 op 20 van 25 taken." https://arxiv.org/abs/2109.01652. Geraadpleegd augustus 2026.
3. Kojima et al. "Zero-shot-chain-of-thought-nauwkeurigheidswinst op MultiArith en GSM8K." https://arxiv.org/abs/2205.11916. Geraadpleegd augustus 2026.