Zero-shot 学习是什么？零样本类别迁移与评测方法

直接答案：零样本学习（ZSL）要求模型处理训练时没有标注样本的目标类别，通常借助属性、文本描述或预训练语义表示建立类别联系。它不同于零样本提示：前者关注未见类别迁移，后者只是不给语言模型示例。

本文面向需要做技术选型或落地验收的中文读者。所有会随版本变化的接口、价格、硬件支持和功能可用性，都应在实施当天回到官方页面复核；本文复核日期为 2026-09-04。

先判断：这个任务真正要解决什么

区分零样本学习与零样本提示，并验证未见类别上的迁移能力。开始前把业务目标写成可验证条件，避免把“能运行”“返回了结果”误当成质量达标。

核心原理与适用边界

• ZSL 依赖类别之间可迁移的语义或属性。
• 如果目标类别样本泄漏到训练或调参，结果不再是严格零样本。
• 广义零样本设置需要平衡已见类偏置与未见类召回。

这些原则只说明技术机制，不代表任何特定产品在你的数据、硬件或组织流程中必然更快、更准或更省。若官方材料没有披露某项实现，应明确标为未知，而不是根据营销名称推断。

从基线到上线的执行步骤

1. 第 1 步：定义已见类、未见类和外部语义
2. 第 2 步：按类别而非随机样本切分
3. 第 3 步：锁定预训练数据与提示边界
4. 第 4 步：建立随机、最近邻等简单基线
5. 第 5 步：分别报告已见/未见类及调和平均
6. 第 6 步：检查开放集拒识和分布漂移

每一步都要保存输入版本、配置、输出和验收结论。遇到失败先缩小范围并保留原始证据，不要为了让演示通过而修改测试口径。

建议保存的验收记录

常见风险与失败模式

• 把未提供示例的提示称为 ZSL 会混淆评测
• 类别名称本身可能泄漏强提示
• 预训练语料可能已包含目标类别
• 只报总体准确率会隐藏已见类偏置

风险较高的业务应增加人工复核和独立安全测试。本文不把公开资料整理写成编辑部实测，也不提供无法复现的速度、准确率或收益数字。

常见问题

只要官方示例能运行就可以上线吗？

不可以。官方示例用于说明能力或接口，仍需用你的数据、权限、负载和失败场景验证，并保存可以回放的结果。

为什么必须保留基线？

没有相同输入和相同指标的基线，就无法判断新方案是否真正改善，也无法在故障时确认回滚是否恢复。

版本变化后需要全部重做吗？

至少应重跑与变化范围相关的确定性检查、核心质量集、安全边界和恢复演练；重大模型、框架或数据变更应做完整回归。

下一步与一手来源

可继续阅读：大模型微调与评测闭环、企业 RAG 权限与引用验收、结构化信息提取与证据定位。这些内链分别帮助补齐模型路由、对话系统和 Agent 治理边界，不替代本文缺失内容。

一手与原始资料：Zero-Shot Learning Survey、Knowledge-aware ZSL Survey、CLIP 论文、Language Models are Few-Shot Learners、scikit-learn 模型评估。访问与事实复核日期：2026-09-04。