NLP 中的零样本学习 (ZSL) 使模型能够通过利用相关任务的先验知识来执行未明确训练的任务。 与传统的监督学习不同，传统的监督学习要求模型为每个可能的类别或任务提供带标签的示例，而 ZSL 使用语义关系或元数据来泛化到未见过的类别。 例如，经过训练将新闻文章分类为“体育”或“政治”等主题的模型，可以通过理解“气候变化”与现有标签通过共享上下文的联系来推断出一个新的类别。 这种方法依赖于嵌入空间或语言模型表示，这些表示捕获概念之间的相似性，从而允许模型在没有直接训练数据的情况下将输入映射到输出。
ZSL 的一个实际应用是文本分类，其中模型将文本分类为训练期间未遇到的标签。 例如，客户支持系统可以通过使用语义相似性将输入文本与标签描述进行匹配，将用户查询分类为新的意图类别（例如，“退款状态”或“技术问题”）。 另一个例子是问题解答：经过一般知识训练的模型可以通过将其与已知术语相关联来回答有关新发现的科学概念的问题。 多语言 ZSL 还允许模型通过对齐跨语言嵌入来处理未明确训练的语言。 对于开发人员来说，Hugging Face 的 Transformers 等框架通过提供预训练模型（例如，BERT、T5）来简化实现，这些模型可以使用最少的特定于任务的数据进行微调，或者使用标签提示针对零样本场景进行调整。
但是，ZSL 存在局限性。 性能取决于模型的预训练与目标任务的匹配程度。 如果未见过的类别与训练数据过于不同，则准确性可能会下降。 例如，经过正式新闻文章训练的模型可能难以处理俚语繁重的社交媒体文本。 开发人员还必须设计有效的提示或标签描述来指导模型。 诸如 OpenAI 的 GPT-3.5 或 FLAN-T5 等开源替代方案之类的工具允许通过将任务构建为文本生成来测试零样本功能（例如，“这条推文是积极的吗？回答是/否”）。 虽然 ZSL 减少了对标记数据的依赖，但将其与少量学习（少量示例）相结合通常会产生更好的结果。 评估 ZSL 需要诸如对未见过的类别的准确性和跨不同数据集的鲁棒性测试等指标，以确保泛化。