零样本、少样本、微调：一张“三岔口”图，带你选出最适合的大模型落地方式

> 阅读提示：5 张图、3 张表、1 段代码，一次性搞懂 Zero-shot vs Few-shot vs Fine-tune 的数据门槛、成本、效果全差异。
> 文末附「选型 cheat-sheet」，收藏即可直接用。

---

1. 开场白：为什么你总在"炼模型"的路上踩坑？

典型对话
老板：客户只给了 30 条样本，下周要 demo！
我：那就 Fine-tune 吧！→ 8 张 A100 跑 3 天，结果过拟合。
老板：为什么不用 Few-shot？

根源：分不清 Zero-shot / Few-shot / Fine-tune 的适用边界与成本差异。
下面用"同一件任务"——电商评论情感分析——做对照实验，让你一眼看懂怎么选。

---

2. 三招核心定义（记住一张图就够）

方式	给模型什么	训练？	典型成本	类比人类
Zero-shot	只有任务描述	❌	≈0	裸考四六级
Few-shot	任务描述+10 条示例	❌	≈0	带小抄进考场
Fine-tune	成千上万标签数据	✅	$$ GPU+标注	脱产培训 3 个月

---

3. 同台 PK：同一份评论数据，三种打法效果对比

3.1 数据集 & 实验设置

• 任务：中文电商评论情感三分类（正 / 中 / 负）
• 测试集：固定 2000 条
• 模型：Qwen-7B-Chat
• 评估：F1-macro

方案	使用数据量	训练耗时	F1-macro	备注
Zero-shot	0	0 min	0.742	prompt 里仅写"判断情感"
Few-shot	每类 4 例共 12 条	0 min	0.813	示例按 CoT 风格
Fine-tune	12k 标签数据	2.5 h（A100×1）	0.901	LoRA，epoch=3

结论：数据＜100 条→Few-shot 性价比最高；数据＞1k→再考虑 Fine-tune。

---

4. 成本拆解：不止钱，还有"时间+人力"

4.1 显性成本

方案	显性成本	备注
Zero-shot	0 元	纯推理
Few-shot	12 元	标注 12 条×1 元
Fine-tune	6280 元	GPU 280 元+标注 6000 元

4.2 隐性成本

方案	开发周期	维护难度
Zero-shot	10 min	⭐
Few-shot	30 min	⭐
Fine-tune	3~5 天	⭐⭐⭐⭐

---

5. 适用场景一张表（直接抄作业）

场景	首选方案	理由
产品原型 Demo	Zero-shot	快速验证 PMF
客户只给 30 条样本	Few-shot	1 小时上线，效果>80%
10w+ 私有数据，精度>95%	Fine-tune	数据红利+可部署边缘

---

6. 高级技巧：把效果再榨干 10%

6.1 Zero-shot → 加入 CoT 思维链

prompt 加一句：
“先逐步理解评论，再输出情感”
→ F1 绝对值 +4.3%

6.2 Few-shot → 动态示例

先用向量检索 top-5 相似评论，再塞进 prompt，→ F1 +6.7%，且无需额外标注

6.3 Fine-tune → LoRA/QLoRA

可训练参数量↓99%，推理延迟无损，单卡 A100 够跑 70B

---

7. 懒人选型 Cheat-Sheet（保存即可）

数据量        方案        成本       效果        周期
------------------------------------------------------------
0 条          Zero-shot   0 元       70%+       10 min
2~100 条      Few-shot    十元级     80%+       30 min
1k~10k 条     Fine-tune   千元级     90%+       3~5 天
>10w 条       继续微调   万元级     95%+       1~2 周

---

8. 结语：一句话记住三岔口

数据不够→Few-shot 先顶着；数据够了→Fine-tune 榨干红利；永远可先用 Zero-shot 探路。

---