Zurück zum Glossar

Begriff

Zero-Shot

Zero-Shot beschreibt das Lösen einer Aufgabe durch ein Sprachmodell ohne mitgelieferte Beispiele — allein über die Aufgabenbeschreibung im Prompt.

Zero-Shot — ausführlicher erklärt

Klassische Machine-Learning-Modelle mussten für jede neue Aufgabe nachtrainiert werden. Moderne LLMs lösen viele Aufgaben hingegen direkt über die Eingabeaufforderung — ohne dass im Prompt Beispiele für die gewünschte Ein-/Ausgabe gezeigt werden. Genau das ist Zero-Shot: nur eine Instruktion, keine Demonstrationen. Funktioniert besonders gut bei breit verbreiteten Tasks (Klassifikation, Übersetzung, Zusammenfassung, einfache Extraktion), weil das Modell solche Muster aus dem Pretraining kennt. Bei seltenen, fachlich engen oder formal strikten Aufgaben sinkt die Trefferquote spürbar — dann lohnt sich Few-Shot.

Beispiel / Praxisbezug

Typischer Zero-Shot-Prompt: „Klassifiziere die folgende Kundenrückmeldung als positiv, neutral oder negativ und gib nur das Label zurück.” Kein Beispiel, keine Trainingsdaten, einfach Aufgabe und Eingabe. In Eval-Pipelines ist Zero-Shot der Default-Baseline-Wert: erst messen, wie gut das Modell ohne Beispiele liegt, dann gezielt Few-Shot oder Chain-of-Thought ergänzen, wenn die Qualität nicht reicht.

Abgrenzung zu ähnlichen Begriffen

Few-Shot Prompting liefert eine Handvoll Beispiele im Prompt mit und steigert die Genauigkeit oft deutlich, kostet aber Tokens und Kontext. One-Shot ist der Spezialfall mit genau einem Beispiel. Fine-Tuning ist eine Stufe darüber: das Modell wird mit vielen Trainingsbeispielen tatsächlich umtrainiert — Zero-Shot bleibt rein eine Prompt-Strategie.

Entdecke mehr

Themenuebersicht