零样本学习是指模型没见过某个任务的任何标注样本，却能直接完成新任务的能力。在大模型这里，它通常表现为：只给一段任务描述、不给任何示例，模型就直接作答。比如直接让模型翻译英文新闻、给邮件打标签，中间没有任何示范。名字里的“零”指任务示例数量为零，不是模型什么都没学过——预训练阶段它已从海量文本里学到语言规律和世界知识，零样本调用的是这份存量。
它靠什么做到“没学过也能做”
靠两点。第一，预训练让模型见过足够多的任务形态：翻译、分类、摘要、问答在语料里都出现过，模型学到的不只是某个任务的答案，更是“任务长什么样”。第二，任务描述本身就是信息：一句清晰的指令告诉模型输出什么、按什么格式输出，模型把新任务映射到见过的模式上。这个思路最早来自传统机器学习：研究者用“属性描述”让模型识别没见过的类别，比如告诉它“斑马像马、有黑白条纹”，它就能认出没见过的斑马。大模型把同一思路放大到语言任务：描述代替了样本。
和少样本学习、微调有什么区别
先说少样本学习：给模型几个示例，让它从中推断格式、风格和判断标准，再去做新任务。零样本一个示例也不给，完全靠任务描述。示例通常能提高准确率、稳定格式，效果不够时，加一两个示例是最直接的升级办法。再说微调：拿标注数据改模型参数，让模型专门学会一类任务，效果更稳，但要数据、要算力，换任务得重练。零样本不改参数，即用即走，换任务只要换一句话。三者排成一条线：零样本最省事，少样本多点示范，微调投入最大、最专精。严格说，零样本就是示例数量为零的上下文学习。
常见误解与使用边界
第一，以为零样本等于模型“什么都会”。实际上它很依赖两点：任务描述清不清晰，任务离预训练数据有多近。描述含糊、任务太专、要最新信息时，翻车概率明显上升。第二，以为“零样本”就是“零学习”。模型没在这个任务上学过，不等于没学过——预训练里它已学了语言和知识，零样本只是换了一种调用方式。把它理解成“考试不给例题、直接做新题”，比“没复习就考试”更准确。
分类、打标签、摘要、翻译、改写、简单问答，零样本通常够用，也最值得先试：成本最低，几句话就能验证。效果不够时按顺序升级：先把任务描述写得更具体，明确格式和边界；还不够就加一两个示例，改走少样本；需要最新或私有知识就接检索；要求长期稳定高精度，再考虑微调或规则兜底。判断标准很直接：先零样本试一把，不行再加成本，别一上来就为每个任务备数据、做训练。
