基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

一些基本概念 1 Zero-shot & Few-shot 是什么？

  1. Zero-shot（零样本） 不给例子，直接让模型做。 不提供任何参考样例 只告诉模型 任务是什么 完全靠模型本身能力去理解、推理 例子 把下面句子分类成积极 / 消极：这部电影太好看了！ 这就是 zero-shot 。
  2. Few-shot（少样本 / 小样本） 给几个例子，再让模型做。 给 1～10 个左右的示例 告诉模型： 我要你像这样输出 模型照着格式、逻辑去做 例子 分类：今天心情很好 → 积极分类：这部电影好无聊 → 消极分类：这家店味道超赞 →？ 这就是 few-shot 。 一句话总结 Zero-shot：不给例子，直接干。 Few-shot：给几个例子，照着干。 2 RAG 是什么？ RAG = Retrieval-Augmented Generation****检索增强生成 一句话： 先从外部资料里查相关内容 → 再把查到的内容喂给大模型 → 让模型基于真实资料回答。 3 Embedding 模型 是什么？ 一句话： 把文字、图片、声音等信息，变成一串数字（向量），让计算机能 “看懂、比较、计算”。
  3. 核心作用 人理解文字靠语义，计算机只认数字。Embedding 模型做的就是： 把 “语义” → 变成 “向量” 比如： “苹果” → [0.1, 0.5, -0.2, …] “香蕉” → [0.12, 0.48, -0.19, …] “汽车” → [ -0.8, 0.1, 0.3, …] 语义越接近，向量越接近。
  4. 它能干什么？（最常见用途） 搜索 搜 “好吃的水果”，能找到苹果、香蕉，而不是汽车。 推荐 你看了 A 文章，给你推语义相似的 B 文章。 知识库问答 / RAG 把文档变成 embedding，用户提问也转成 embedding， 找最相似的段落 。…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。