当模型在未经明确训练的语言对之间进行翻译时，就会发生机器翻译中的零样本学习。 例如，想象一个多语言模型经过训练，可以将英语翻译成法语和英语翻译成德语，但没有直接训练法语翻译成德语。 如果模型仍然可以通过利用从重叠的以英语为中心的数据中学到的知识来处理法语到德语的翻译，那就是零样本学习。 这种方法避免了为每种可能的语言对训练单独模型的需要，这对于支持不太常见的语言或新的组合特别有用。
一个具体的例子是 Google 的多语言神经机器翻译 (MNMT) 系统。 该模型经过多种语言对（例如，英语-西班牙语、英语-日语）的训练，但也可以在西班牙语和日语之间进行翻译，而无需该语言对的直接训练数据。 关键是模型如何表示语言。 它不是将每种语言视为孤立的，而是使用共享嵌入空间，其中所有语言都映射到公共中间表示。 在训练期间，编码器学习将任何输入语言转换为这个共享空间，解码器学习从中生成任何目标语言。 这使得模型能够通过将一种语言的编码器与另一种语言的解码器相结合来推广到未见过的语言对，即使它们从未在训练数据中配对。
但是，对于所见语言对，零样本性能通常落后于监督翻译。 例如，通过共享嵌入将西班牙语翻译成日语可能会产生语法正确的输出，但由于共享空间中未捕获的文化细微差别或句法差异，可能会包含细微的错误。 为了缓解这种情况，一些系统使用诸如语言标记之类的技术（例如，添加 <es> 来指示西班牙语输入，并添加 <ja> 来指示日语输出）来明确地指导模型。 虽然并非完美，但零样本翻译对于训练专用模型不可行的情况是实用的，例如支持数百种低资源语言。 开发人员可以使用 Hugging Face 的 Transformers 等框架实施类似的方法，该框架支持诸如 mBART 或 M2M-100 之类的多语言模型，这些模型可以开箱即用地实现零样本功能。