零样本学习（ZSL）利用先验知识以及已知类与未见类之间的语义关系，使模型能够处理没有标注数据的任务。ZSL 不依赖于特定任务的训练样本，而是利用辅助信息（例如文本描述、属性或嵌入）来泛化到新任务。例如，一个训练用于识别马和老虎等动物的模型，即使从未在训练中见过斑马，也可能通过推断“斑马”具有条纹和马的形状来识别它。这种方法通过将输入特征（例如图像或文本）连接到共享语义空间来实现，在该空间中，类别是根据它们与其他概念的关系来定义的。
从技术上讲，ZSL 通常涉及将输入映射到与预定义类描述符对齐的语义表示。在图像分类中，模型可以将视觉特征映射到词嵌入（如 GloVe 或 Word2Vec），这些嵌入捕获了类名称的文本含义。对于文本任务，语言模型可以使用词义将句子分类到未见的类别中。例如，一个零样本文本分类器可能通过识别“选举”或“政府”等关键词，将一篇新闻文章归类到“政治”类别，即使这些确切的词语在训练期间并未明确标注。像 HuggingFace Transformers 这样的框架通过使用预训练模型来评估输入文本与用户提供的类别标签的匹配程度来实现这一点，从而绕过了微调。
开发者应考虑两个关键挑战：领域对齐和语义质量。如果模型的先验知识（例如词嵌入）与目标任务的上下文不匹配，性能就会下降——这个问题被称为领域偏移。例如，在通用文本上训练的嵌入可能不适用于医学术语。此外，辅助数据必须充分描述未见类。使用详细的属性（例如，鸟类的“有翅膀”）比使用模糊的描述符能获得更好的结果。实际实现中，通常涉及测试多种语义表示，或将 ZSL 与少量标注数据（少样本学习）结合使用来改进预测。像 OpenAI 的 CLIP 这样的库通过在共享空间中对齐图像和文本来展示了这一点，从而可以使用自然语言提示进行零样本图像分类。