Zero-Shot Prompting

Zero-shot prompting betyder, at du beskriver opgaven og intet andet. Ingen demonstrationer, ingen input-output-par, ingen skabelon at efterligne. Modellen skal udlede både format og fremgangsmåde af selve instruktionen.

Forskellen til few-shot er præcis dette: i few-shot viser du to eller flere eksempler på løst opgave, og modellen kopierer mønsteret. I zero-shot bærer instruktionen hele vægten. Det betyder også, at formatet bliver modellens valg, medmindre du beskriver det eksplicit.

Forskellen til instruction-following er sværere at se, fordi de overlapper. Instruction-following er en egenskab ved modellen, opnået gennem træning på instruktioner. Zero-shot er den brugsform, der udnytter egenskaben. En basismodel uden instruction-tuning svarer dårligt på zero-shot prompts, selvom instruktionen er klar.

En instruction-tuned model har set enorme mængder tekst, hvor en instruktion efterfølges af en udførelse. Mønsteret "Oversæt følgende til fransk:" efterfulgt af fransk tekst er statistisk stærkt repræsenteret. Prompten placerer modellen i den del af fordelingen, hvor det næste sandsynlige token er en oversættelse og ikke en kommentar om oversættelse.

Imperative verber virker, fordi de er entydige markører for den type sekvens. "Analyser" og "skriv" peger mod bestemte teksttyper i træningsdata. Vage formuleringer som "hvad synes du om" peger mod flere forskellige fortsættelser på én gang, og resultatet bliver tilsvarende ustabilt.

Eksempler i few-shot gør noget andet: de indsnævrer formatet ved at ligge i context window som direkte mønster. Zero-shot har ikke den styring, så variansen mellem to kørsler er større. Det er også derfor, en præcis formatbeskrivelse i zero-shot ofte lukker det meste af forskellen.

Zero-shot slår fejl, når opgaven har et format, du ikke kan beskrive kortere end du kan vise. Skal output følge et bestemt JSON-skema med nichenavne på felter, koster beskrivelsen flere tokens end to eksempler. Her er der ingen besparelse ved at undlade dem.

Den falske tryghed opstår, når svaret ser rigtigt ud. En zero-shot klassifikation returnerer gerne en etiket med selvsikker formulering, også når kategorigrænserne er defineret anderledes i din organisation end i træningsdata. Modellen har ingen adgang til din definition, og du får ingen fejlmelding.

Ved opgaver med interne konventioner, virksomhedsspecifik terminologi eller subjektive vurderingskriterier er zero-shot direkte upræcis. Det samme gælder flertrinsopgaver med afhængigheder mellem trinnene. Her giver eksempler eller eksplicit nedbrydning målbart bedre resultater.

Nyere modeller med indbygget reasoning har flyttet grænsen for, hvad zero-shot kan bære. Claude Opus 5, GPT-5.6 Sol og Gemini 3.1 Pro løser opgaver zero-shot, som for få år siden krævede flere eksempler eller eksplicit chain-of-thought. Modellerne udfører nedbrydningen internt, uden at du beder om den.

Forskellen mellem modelstørrelser er stadig reel. Claude Haiku 4.5, GPT-5 nano og Gemini 3.7 Flash er hurtigere og billigere, men mere følsomme over for upræcise instruktioner. Samme prompt kan give brugbart output hos en stor model og upålideligt output hos en lille.

Det praktiske råd er derfor at teste zero-shot først på den model, du faktisk skal køre i produktion. Et vellykket resultat på en stor model siger lidt om, hvordan prompten opfører sig, når du skalerer ned af omkostningshensyn.