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

Kort oppsummert

Moderne KI-modeller kan løse oppgaver ingen har “programmert” dem for, fordi de har lært generelle mønstre fra enorme mengder tekst. Zero-shot betyr at modellen klarer oppgaven uten et eneste eksempel. Few-shot betyr at du gir den noen få eksempler i samtalen, og at den plukker opp mønsteret der og da.

Hvorfor trenger vi disse begrepene i det hele tatt?

Tradisjonell programvare gjør som regel akkurat det den er bygget for, og ikke stort mer. Et regneark kan summere tall, men det kan ikke plutselig skrive et dikt uten at noen har lagt inn den funksjonen. Tidlig maskinlæring fungerte på samme måte. En modell trent på å kjenne igjen katter på bilder kunne bare kjenne igjen katter, og den kunne ikke plutselig oversette tekst.

Moderne, store språkmodeller bryter med dette mønsteret. Fordi de er trent på enorme mengder variert tekst, får de en generell evne til å kjenne igjen mønstre og oppgavetyper, og den evnen strekker seg utover oppgavene de ble trent på. Det er denne generelle evnen few-shot og zero-shot læring beskriver. Begrepene sier hvor godt en modell kan løse en helt ny type oppgave, med noen få eksempler eller helt uten.

Zero-shot læring: løse noe uten et eneste eksempel

Zero-shot betyr at modellen løser en oppgave uten å ha sett eksempler på den i selve samtalen, og ikke nødvendigvis under treningen heller. Den bygger bare på sin generelle forståelse av språk og verden. Tenk deg at du ber en KI-chatbot oversette en setning til et språk den knapt har sett, eller at du ber den sortere en tekst i kategorier du finner på der og da. I begge tilfellene får den ikke et eneste eksempel på hvordan svaret skal se ut, og det er zero-shot. Modellen henter alt fra det den allerede har lært, uten ekstra veiledning fra deg.

Few-shot læring: å vise noen få eksempler

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

Dette kalles også few-shot prompting, og det er en praktisk teknikk du selv kan bruke når du skriver instruksjoner til en KI-modell. Ofte er to eller tre gode eksempler i en prompt en av de raskeste måtene å få et KI-verktøy til å levere akkurat den typen svar du er ute etter. Da slipper du å beskrive formatet i lange, detaljerte setninger. Flere konkrete grep finner du i vår innføring i å skrive gode prompts.

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 om to beslektede, men ikke helt like 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, uten at de underliggende parameterne må endres eller trenes på nytt. På den tiden var dette et overraskende og viktig funn, og det var 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. I dag er det en vanlig skriveteknikk for hvem som helst, ikke bare for forskere.

Den første betydningen forklarer hvorfor moderne modeller i det hele tatt er fleksible nok til å lære av eksempler. Den andre handler om 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, på norsk overføringslæring. Ideen er at kunnskap en modell har fått fra én oppgave eller ett datasett, kan overføres og brukes på en annen, beslektet oppgave. Det er denne overførbare, generelle kunnskapen som gjør at en modell kan løse noe helt nytt med få eller ingen eksempler. Eldre og mer spesialiserte maskinlæringssystemer måtte derimot læres opp fra bunnen av for hver nye type oppgave.

Vanlige spørsmål

Er zero-shot alltid dårligere enn few-shot?

Ikke nødvendigvis. Men few-shot gir som regel modellen et tydeligere signal om hva du er ute etter, særlig når oppgaven har et bestemt format eller en bestemt 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. Hvem som helst kan legge et par eksempler inn i spørsmålet sitt, og det er nettopp det few-shot prompting er i praksis.

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

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

Er dette det samme som hvordan mennesker lærer?

Det er en løs sammenligning og ikke en direkte parallell. Mennesker kan lære av få eksempler fordi vi bygger på enormt mye annen erfaring og forståelse av verden. Språkmodeller gjør noe grunnleggende annerledes, nemlig ren mønstergjenkjenning ut fra statistiske sammenhenger i treningsdataene. Likevel kan resultatet minne litt om hvordan mennesker fungerer, fordi modellen raskt plukker opp et nytt mønster.

Oppsummering og kilder

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