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。

大家好，我是舒一笑不秃头，喜欢分享和写作， 更多精彩内容 ～ 大家第一次接触大模型时，往往会有一种错觉： “这模型怎么这么聪明？我给它举两个例子，它居然就会做了。” 比如你对模型说： 北京 -> China 东京 -> Japan 巴黎 -> ? 它立刻回答： France 很多人会觉得： 哇，它是不是刚刚被我‘训练’了？ 其实不是。 这背后对应的是大模型里一个非常重要的能力： In-context Learning，简称 ICL 。 翻译成中文，就是： 上下文学习 。 今天这篇文章，我尽量不用论文腔，带你真正搞懂： ICL 到底是什么 它和传统训练有什么区别 为什么 few-shot prompt 这么有效 为什么说它是大模型时代最重要的能力之一 一、什么是 ICL？一句话先讲明白 ICL 的核心思想非常简单： 不给模型重新训练，只在输入里放几个示例，模型就能“照着例子”完成新任务。 注意这句话里最关键的两个点： 不重新训练 只靠上下文中的示例 也就是说，模型不是通过梯度下降学会任务的， 而是通过你给它的例子， 临时理解当前任务该怎么做 。 你可以把它理解成一种： “现场看题、现场悟规则”的能力。 二、很多人真正没懂的点：ICL 不是训练 这是初学者最容易混淆的地方。 我们平时说“机器学习”，默认是这种流程： 准备大量数据 标注数据 训练模型 更新参数 模型学会任务 比如你想让模型做“情感分类”，传统做法就是喂给它几万条： “这个产品太好用了” -> 正面 “物流慢得离谱” -> 负面 训练很多轮以后，它参数变了，能力也变了。 这叫 监督学习/微调 。 但 ICL 完全不是这样。 在 ICL 里，你只是把示例写进 prompt： 句子：这个电影太无聊了 情感：负面

句子：这家餐厅真的很不错 情感：正面…

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。