Когда речь заходит о взаимодействии с большими языковыми моделями, термин zero shot промпт встречается всё чаще. За этим понятием стоит способ постановки задачи, при котором модель получает инструкцию без единого примера выполнения. Иными словами, пользователь формулирует запрос и сразу ожидает результата, полагаясь на обобщающие способности нейросети, накопленные в ходе предварительного обучения. Сам подход появился вместе с ростом масштабов языковых моделей. Когда исследователи заметили, что модели вроде GPT-3 способны выполнять задания, которым их специально не учили, концепция zero shot обучения перешла из академической плоскости в практическую. Сегодня такой формат используется повсеместно: от классификации текстов и перевода до генерации программного кода и анализа тональности отзывов. Основная особенность zero shot промпта заключается в его лаконичности. Запрос содержит только описание задачи и входные данные, без демонстрационных пар вопрос-ответ. Например, фраза «Определи эмоциональную окраску следующего отзыва» уже представляет собой полноценный zero shot промпт. Модель опирается на собственное понимание языка и контекста, а не на образцы, предоставленные в текущей сессии. У такого подхода есть очевидные преимущества. Во-первых, он экономит токены, что особенно важно при работе с длинными документами или ограниченным контекстным окном. Во-вторых, сокращает время на подготовку запроса, ведь не нужно подбирать репрезентативные примеры. В-третьих, упрощает масштабирование, когда одна и та же инструкция применяется к множеству разнородных входов. Тем не менее у zero shot промптов есть и слабые стороны. Без примеров модель может неверно интерпретировать формат ожидаемого ответа, особенно если задача нестандартная или требует строгой структуры. В таких случаях исследователи и практики обращаются к few shot подходам, где добавление одного-двух примеров заметно повышает точность. Также модели меньшего размера хуже справляются с zero shot заданиями, тогда как крупные системы демонстрируют впечатляющую универсальность. Отдельного внимания заслуживает связь zero shot промптинга с инженерией промптов в целом. Качественно сформулированная инструкция, содержащая роль исполнителя, желаемый формат и ограничения, способна вытянуть из модели результат, сопоставимый с дообученной версией. Поэтому специалисты по работе с языковыми моделями уделяют большое внимание точности формулировок, использованию ключевых слов и логической структуре запроса.