想象你是一位书法初学者，师父没有让你先临上三年碑帖，而是直接递来几幅字帖：“照这个气韵写。”你端详片刻——不必背下每个字，只需悟出笔画的走向、结构的疏密、墨色的浓淡。然后你提笔落纸，写出的虽不是字帖上的原字，却带着同样的神采。这就是“临帖”。 大模型的 Few-shot 学习，恰如临帖。你无需长篇大论的规则说明，只需在提示（Prompt）中放上几个“字帖”——标注好的示例——模型便能从短短几个例子中领会“这类任务该怎么答”，然后对新输入给出格式一致的答案。它不像 Zero-shot 那样凭空发挥，也不像 Fine-tuning 那样重训模型，而是一种“即学即用”的轻量适配方式。 这个能力从何而来？为什么几个例子就能改变模型的行为？答案藏在预训练阶段的大规模学习中：模型早已“练过”海量文本，Few-shot 示例只是帮它唤起最合适的“笔法”。本文将从概念定位、工作流程、模式归纳、涌现机制到工程实践，层层拆解 Few-shot 的底层逻辑。

岗位关联

掌握 Few-shot 的底层逻辑，是 AI 从业者用好大模型的必修课。它决定了你如何在数据稀缺时用最小成本撬动最大模型能力，也是设计高效 Prompt、评估模型边界的基础。

目录
  1. 可视化演示
  2. 概念定位：临帖的三种境界
  3. 工作流程：临帖的四个动作
  4. 模式归纳：从字帖中读出笔法
  5. 涌现能力：为什么大字典帖才管用
  6. 优势局限：临帖虽好，不是万能
  7. 应用实践：如何选好字帖
  8. 与微调对比：临帖 vs 拜师学艺
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示Few-shot学习的示例引导机制、示例质量与数量对效果的影响对比，以及动态示例检索增强策略的工作流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+captions.fewshot+'

概念定位：临帖的三种境界

书法学习中存在三种境界：没看过字帖，提笔就写，全凭天分——这是 Zero-shot；看过几幅字帖，照猫画虎，形神兼备——这是 Few-shot；跟随师父日复一日临上千卷，笔法融入肌肉记忆——这是 Fine-tuning。三者对“功底”的介入程度完全不同，投入与效果也大相径庭。

从技术视角看，Zero-shot 是在提示中不提供任何示例，仅靠任务描述让模型作答；Few-shot 则提供少量（通常 1 到 50 个）标注示例，让模型在推理时“就地参考”；Fine-tuning 是在大量标注数据上通过梯度更新模型参数，从根本上重塑行为。三者构成了从零到一、从轻到重的完整频谱，而 Few-shot 恰好位于中央——它不改变功底，只改变观察方式。

这个定位在数学上非常优雅：模型参数 θ 完全固定，给定查询 x 和示例集 S_demo，只需选择概率最高的答案即可。

临帖不是变功力，而是换一种观察方式。Few-shot 也一样：参数纹丝不动，上下文一换，任务就换了。理解这一层，你便知道为什么它能“即插即用”地服务多类任务。

y^=arg⁡max⁡yPθ(y∣x,Sdemo)\hat{y} = \arg\max_{y} P_{\theta}(y \mid x, S_{\text{demo}})
这个公式道出了 Few-shot 的本质：模型本身没有任何变化，变的只是输入中多了一段“示例上下文”。
  1. 输入与示例查询 x 是需要回答的新问题，示例集 S_demo 是提示中附带的小样本对。
    x,Sdemox, \quad S_{\text{demo}}
  2. 条件概率模型模型在“看过了示例”这个条件下，对每个候选答案 y 给出置信度。
    Pθ(y∣⋅)P_{\theta}(y \mid \cdot)
  3. 参数冻结标识下标 θ 表示使用预训练权重，整个推理过程零更新。
    PθP_{\theta}
  4. 遍历候选答案在所有可能的输出中逐一评估概率。
    ∀y∈Y\forall y \in \mathcal{Y}
  5. 挑出最大概率者选择概率最高的答案作为最终输出。
    y^=arg⁡max⁡y\hat{y} = \arg\max_{y}

工作流程：临帖的四个动作

拿到一幅字帖，你的动作是固定的：先摊开字帖（构造示例），再与宣纸并排（拼接上下文），然后落笔书写（生成答案），最后验收成品（提取结果）。少一步，临帖就不完整；乱一步，效果就飘了。

Few-shot 的工作流同样由四步构成。第一步是示例构造，挑选若干对（输入，输出）样本，按统一模板成对格式化；第二步是上下文拼接，将示例依序排入 Prompt，放在查询之前；第三步是推理生成，模型以自回归方式逐词产出答案；第四步是答案提取，从生成文本中解析出干净的结果字段。工程中大量“不稳定”问题，往往就出在第二步的模板与第四步的解析上。

生成环节可以形式化地表达为：答案的整体概率，等于逐词生成概率的连乘。每一步都以上文和完整提示为条件。

临帖四步看似琐碎，每一步都决定最终作品的气韵。Few-shot 的工程实现同样如此——构造、拼接、生成、提取，环环相扣。一个疏忽，可能让前功尽弃。

P(answer∣prompt)=∏t=1TPθ(yt∣y<t,prompt)P(\text{answer} \mid \text{prompt}) = \prod_{t=1}^{T} P_{\theta}(y_t \mid y_{<t}, \text{prompt})
连乘意味着生成是“步步惊心”的链条：前面任何一个词偏了，后面全盘皆输。
  1. 答案序列概率整段答案的联合概率，由所有词的局部概率相乘得到。
    P(answer∣prompt)P(\text{answer} \mid \text{prompt})
  2. 逐词连乘从第 1 个词乘到第 T 个词。
    ∏t=1T\prod_{t=1}^{T}
  3. 当前词第 t 步正在生成的词元。
    yty_t
  4. 历史依赖生成当前词时，要参考此前所有已生成的词。
    y<ty_{<t}
  5. 完整提示包含全部示例与查询的输入序列，是生成的唯一“上下文”。
    prompt\text{prompt}

模式归纳：从字帖中读出笔法

临帖高手不会一笔一划照描，而是会悟出帖中的笔法规律：横轻竖重、撇捺舒展、转折方圆。模型在 Few-shot 中的“理解”也类似——它并非死记硬背示例，而是从示例对中归纳出一个映射规则 f，将输入 x 映射到输出 y。

这个映射从哪里来？它来自预训练阶段的“惯性”：模型见过海量文本，早已知道“当输入长成什么样时，输出通常长成什么样”。示例的作用，是把这条隐形规则在模型的“能力仓库”中点亮。研究者把这种机制称为上下文学习（In-Context Learning）——模型不是学到了新知识，而是被唤醒了旧知识。

形式上，Few-shot 的归纳过程可以写成：

悟出笔法的学徒，换一本没见过的字帖也能写出相似气韵。模型同样如此：一旦从示例中识别出任务模式，面对全新的输入也能按同样的格式与逻辑产出答案。这就是 Few-shot 的“迁移”魔力。

y=f(x),f 由示例集 Sdemo 归纳得出y = f(x), \quad f \text{ 由示例集 } S_{\text{demo}} \text{ 归纳得出}
规则 f 并非新训练的产物，而是从预训练知识库中“检索”出来的模式。
  1. 输入 x新来的查询，是模型要作答的对象。
    xx
  2. 输出 y模型给出的最终答案。
    yy
  3. 映射规则 f从输入到输出的对应关系，就是“任务”本身。
    ff
  4. 归纳来源f 是从示例集中提炼出来的，示例集给出了“任务长什么样”的线索。
    SdemoS_{\text{demo}}

涌现能力：为什么大字典帖才管用

为什么小模型看几个示例无动于衷，大模型一看就懂？这如同一个初学书法的人拿到王羲之的字帖，看不出门道；而一位浸淫书法二十年的老手，只消看一眼便能心领神会。Few-shot 的能力，是模型规模达到某个临界点后才“涌现”的。

研究观察到一个反直觉的现象：Few-shot 性能与模型规模之间并非平滑上升，而是存在明显的阈值效应。在参数量低于阈值时，示例数量的增加几乎不带来提升；一旦越过阈值，性能跃升，仿佛“顿悟”。这一现象说明，Few-shot 并非简单的模式匹配，而是依赖于预训练阶段积累的深层语言规律——规模越大，储备越足，示例的“点火”效率越高。

临帖能学到什么程度，取决于你已有的功底；Few-shot 能发挥多少，取决于模型的规模储备。这解释了为什么“给模型加几个例子”这种看似轻巧的操作，只有大型模型才玩得转。

Acc(N)={random,N<Nchigh,N≥Nc\text{Acc}(N) =\begin{cases}\text{random}, & N < N_c \\\text{high}, & N \geq N_c\end{cases}
阈值 Nc 的存在意味着：Few-shot 是“大模型的特权”，小模型很难通过堆示例来弥补规模不足。
  1. 任务准确率模型在目标任务上答对的概率，衡量 Few-shot 是否生效。
    Acc(N)\text{Acc}(N)
  2. 参数量规模模型的参数量 N，是涌现能力的“燃料”。
    NN
  3. 随机水平低于阈值时，性能与瞎猜无异。
    random\text{random}
  4. 涌现阈值性能发生跃升的临界参数量。
    NcN_c
  5. 显著提升超过阈值后，示例激活了预训练积累的能力，性能跳升。
    high\text{high}

优势局限：临帖虽好，不是万能

临帖也有烦恼：字帖里若掺了几个错字，你会一并学了去；篇幅所限，帖上放不下太多字；而且临出来的字时好时坏，全看状态。Few-shot 同样有它的软肋。

优势一目了然：标注数据稀缺时能快速启动，无需训练即可部署，多任务切换只需换个 Prompt。局限性也同样鲜明——示例噪声会显著拉低性能，因为模型会一视同仁地把错误当作规律；上下文窗口限制了可容纳的示例规模；结果稳定性不如微调，换一组示例、甚至只调整示例顺序，性能都可能剧烈波动。

示例规模与上下文窗口之间的关系，可以写成一个硬约束：

临帖前要先检查字帖是否干净、篇幅是否够用。设计 Few-shot 时同样要审视示例质量与窗口容量——这两条是效果的天花板，也是工程中最常见的坑。

∣Sdemo∣×Lper<Lctx|S_{\text{demo}}| \times L_{\text{per}} < L_{\text{ctx}}
这个不等式提醒我们：Few-shot 不是“多多益善”，窗口就是天花板。
  1. 示例数量提示中放置的标注样本个数。
    ∣Sdemo∣|S_{\text{demo}}|
  2. 单条示例长度每条示例平均消耗的 token 数。
    LperL_{\text{per}}
  3. 总占用所有示例消耗的 token 总量。
    ×\times
  4. 上下文上限模型的注意力窗口大小，是硬性天花板。
    LctxL_{\text{ctx}}

应用实践：如何选好字帖

师父给你的字帖，选得好不好天差地别：给初学者一幅狂草，他只会画虎不成反类犬；给一幅工整的楷书，他很快就能临得像样。Few-shot 工程中，示例的选择是最大的杠杆。

实践要点有四。一是示例选择：示例要与目标查询分布相近，最好覆盖任务的不同变体；二是数量调优：通常 4 到 16 个示例就能达到不错的效果，超过后收益递减，要找到一个“甜点值”；三是顺序影响：研究证明模型对示例顺序敏感，相关性强的示例放在靠近查询的位置往往效果更好；四是模板设计：统一的格式分隔符和清晰的输入输出结构，能显著降低模型的“理解成本”。

从机制上看，示例对预测的影响可以理解为一种相似度加权投票：

选字帖的智慧，全在于“懂你需要补什么”。Few-shot 工程里，懂查询、懂示例、懂顺序，你就能用最少的示例撬动最大的性能。

P(y∣x,S)∝∑(xi,yi)∈Ssim(x,xi)⋅1[y=yi]P(y \mid x, S) \propto \sum_{(x_i, y_i) \in S} \text{sim}(x, x_i) \cdot \mathbb{1}[y = y_i]
与查询越相似的示例，在投票中的权重越大；模型从本质上是在“参考模板”而不是“背诵答案”。
  1. 预测得分答案 y 的得分与其成为最终输出的概率成正比。
    P(y∣x,S)P(y \mid x, S)
  2. 相似度加权查询 x 与示例输入 x_i 的相似度越高，该示例的影响越大。
    sim(x,xi)\text{sim}(x, x_i)
  3. 标签匹配指示只有当示例标签恰好是 y 时，权重才被计入。
    1[y=yi]\mathbb{1}[y = y_i]
  4. 累加求和所有示例共同投票，决定答案的最终得分。
    ∑\sum

与微调对比：临帖 vs 拜师学艺

临帖是即兴的：不改变你的书写功底，写下即走；拜师学艺则是系统训练：日复一日，从根本上重塑笔法。Few-shot 与 Fine-tuning 的对比，正是这两种投入模式的投射。

Few-shot 不更新任何参数，推理即完成，近乎零成本，适合快速试探与多任务切换；Fine-tuning 需要数据标注、GPU 训练与版本管理，换来的是稳定、可预期的性能与领域风格的深度内化。两者并非替代关系，而是互补：业务探索期用 Few-shot 验证方向，核心成熟期用 Fine-tuning 固化能力。

两种方式对模型参数的影响，可以用一个公式对照：

临帖者与拜师者没有高下之分，只有时机与目标的不同。Few-shot 与 Fine-tuning 的选择同理——急流试水文用临帖，深耕一域用拜师，聪明的工程师总是两者兼修。

θfew-shot=θ0,θfine-tune=θ0−η∇θL(θ0)\theta_{\text{few-shot}} = \theta_0, \qquad\theta_{\text{fine-tune}} = \theta_0 - \eta \nabla_{\theta} \mathcal{L}(\theta_0)
左边是“原地不动”，右边是“按梯度迈出一步”——少样本与微调的成本差异一目了然。
  1. 零更新Few-shot 直接沿用预训练权重，参数一行不变。
    θfew-shot=θ0\theta_{\text{few-shot}} = \theta_0
  2. 微调新参数Fine-tuning 产出一组新的权重。
    θfine-tune\theta_{\text{fine-tune}}
  3. 学习率步长控制每一步更新的幅度，太大震荡、太小缓慢。
    η\eta
  4. 损失梯度指示参数应该往哪个方向调整的错误信号。
    ∇θL(θ0)\nabla_{\theta} \mathcal{L}(\theta_0)

AI 应用场景

智能客服的意图识别冷启动

阶段：应用部署与冷启动

解决的问题：传统意图识别需要准备数千条标注语料并训练分类器，新业务线冷启动周期以周计。用 Few-shot，只需整理 10 到 20 条典型对话示例放入 Prompt，模型即可按相同意图格式对新提问分类，实现小时级上线。这正是“临几张字帖就能开工”的落地。

具体案例：某金融科技公司新增“保险理赔”客服通道，标注团队尚未跟上。客服主管挑选了 12 条历史对话作为 Few-shot 示例，涵盖理赔咨询、进度查询、材料补交三类意图，模型当天即可准确处理新进线，人工复核通过率超过八成。

多品类商品文案的风格迁移

阶段：内容生成与多风格适配

解决的问题：不同品类的商品文案调性差异极大，传统方式为每个品类微调一个生成模型，成本高、周期长。Few-shot 只需在提示中放入 3 到 5 条目标品类的爆款文案示例，即可稳定复刻其语气与结构，实现“看得懂字帖、写得出同款”。

具体案例：某电商运营团队同时负责美妆、数码、食品三类商品，运营将历史爆款文案各选 3 条作为示例，新品文案自动匹配各品类调性，A/B 测试显示点击率平均提升约两成，且无需任何模型训练。

Python 演示

python67 行
"""Few-shot 学习模拟演示:通过计算查询与示例的文本相似度, 模拟模型从少量示例中归纳映射规则的过程""" import mathimport re EXAMPLES = {    "体育": [        "库里今天命中九个三分球",        "足协杯决赛点球大战分胜负",    ],    "科技": [        "公司发布新一代手机芯片",        "量子计算迎来新的突破",    ],}  def tokenize(text):    """按双字切分中文文本, 模拟词元化"""    chars = re.sub(r"[^\u4e00-\u9fa5]", "", text)    return [chars[i:i + 2] for i in range(len(chars) - 1)]  def build_vector(text):    """统计双字词频并做 L2 归一化, 得到向量表示"""    freq = {}    for gram in tokenize(text):        freq[gram] = freq.get(gram, 0) + 1    norm = math.sqrt(sum(v * v for v in freq.values()))    if norm == 0:        return {}    return {k: v / norm for k, v in freq.items()}  def cosine_similarity(v1, v2):    """计算两个向量夹角的余弦值, 值越接近 1 表示越相似"""    common = set(v1) & set(v2)    return sum(v1[k] * v2[k] for k in common)  def few_shot_predict(query, examples):    """Few-shot 核心: 逐示例累加相似度得分, 归入总分最高的类别"""    qvec = build_vector(query)    scores = {}    for label, samples in examples.items():        total = 0.0        for sample in samples:            total += cosine_similarity(qvec, build_vector(sample))        scores[label] = total    best = max(scores, key=scores.get)    return best, scores  if __name__ == "__main__":    test_queries = [        "全红婵在跳台决赛中获得满分",        "大模型今天又发布了新版本",    ]    for q in test_queries:        label, scores = few_shot_predict(q, EXAMPLES)        print(f"查询: {q}")        print(f"  类别得分: {scores}")        print(f"  预测类别: {label}")        print()
目的：用字符级双字特征 + 余弦相似度，在玩具数据上复现 Few-shot 的“示例归纳”机制——模型不训练任何参数，仅靠比对新查询与少量示例的相似度完成分类。
  1. chars = re.sub(r"[^\u4e00-\u9fa5]", "", text)只保留中文字符，去掉标点干扰，相当于“洗去字帖上的墨渍”。
  2. freq[gram] = freq.get(gram, 0) + 1统计每个双字特征出现的次数，构建词频向量。
  3. norm = math.sqrt(sum(v * v for v in freq.values()))计算向量模长，用于归一化，避免长文本天然占优势。
  4. return {k: v / norm for k, v in freq.items()}归一化后的向量，让相似度比较只看“方向”不看“长度”。
  5. total += cosine_similarity(qvec, build_vector(sample))逐个示例累加相似度，模拟“每张字帖都投一票”。
  6. best = max(scores, key=scores.get)选出总得分最高的类别，作为最终的 Few-shot 预测结果。

常见误区

误区觉得 Few-shot 和背单词一样，示例给得越多，模型学得越扎实，所以把能塞进 Prompt 的内容全塞进去。

正解示例数量存在收益递减规律，超过甜点值后不仅提升微弱，还可能因上下文过长、噪声混入而拉低效果。上下文窗口是硬约束，示例过多会挤占查询空间，甚至让模型“迷失在字帖堆里”。

为何常见：直觉上“看得越多学得越好”，忽略了 Few-shot 不是在学习新知识，而是在激活已有模式——少量高质量示例足以完成任务识别。

误区既然效果提升了，那模型一定“记住”了这些例子，权重肯定发生了变化。

正解Few-shot 的推理过程中参数完全冻结，没有任何梯度计算或权重更新。它只是通过输入序列中的示例来引导模型已有的行为模式。这与 Fine-tuning 有本质区别——一个是换字帖，一个是改功底。

为何常见：看到性能提升就自然地认为是“学到东西了”，但上下文学习是“唤醒”而非“写入”。

误区Few-shot 只是加几个示例的通用技巧，任何模型都能从中受益，模型大小不影响。

正解Few-shot 是大模型“涌现”出的能力，小模型即使给了示例，性能提升也很有限。示例的作用更像“点火”，燃料是预训练阶段积累的规律，规模不足则火力不足。

为何常见：将 Few-shot 简单理解为“提示词技巧”，忽略了其背后对模型容量和预训练质量的依赖。

误区模型足够聪明，能自动忽略示例中的错误标签，只吸收正确的格式。

正解模型会一视同仁地把示例当作规律来归纳，一个错误标签可能被当作“规则的一部分”泛化到新样本上。研究显示，Few-shot 对示例噪声非常敏感，即使单个错误也可能显著降低准确率。

为何常见：低估了模型“照单全收”的拟合倾向——它不是在批判性阅读字帖，而是在模仿字帖的一切特征。

误区Few-shot 零成本且效果不错，既然这么方便，以后就不再需要微调了。

正解Few-shot 适合任务模式清晰、容错率较高的场景；对于需要持续稳定输出、领域风格强约束的核心业务，微调仍不可替代。两者是互补关系：先用 Few-shot 快速验证方向，再用微调固化成熟方案。

为何常见：拿着 Few-shot 的亮眼表现与微调做简单对比，忽略了稳定性、可控性和领域深度这些微调独有的价值。

面试题

Q1. Few-shot 学习的核心做法是：

单选题 · easy

  • A.用海量数据重新训练模型
  • B.提示中提供少量标注示例← 正确答案
  • C.完全不给示例直接推理
  • D.只更新输出层的模型参数

答案：B。Few-shot 的核心就是在提示（Prompt）中提供少量标注示例引导模型完成任务。选项 A 是微调，C 是 Zero-shot，D 是参数高效微调，均与 Few-shot 的定义不符。

Q2. Zero-shot 与 Few-shot 的本质区别是：

单选题 · easy

  • A.提示中是否有任务示例← 正确答案
  • B.模型参数量是否够大
  • C.是否需要 GPU 加速
  • D.是否用反向传播训练

答案：A。Zero-shot 不提供任何示例，Few-shot 则提供少量标注示例，两者的本质区别就在于提示中是否有示例。二者都不会更新参数（排除 D），也都需要 GPU 推理（排除 C）。

Q3. Few-shot 推理时模型参数的状态是：

单选题 · easy

  • A.随推理过程动态更新
  • B.完全冻结不发生改变← 正确答案
  • C.只更新注意力层参数
  • D.用反向传播逐步更新

答案：B。Few-shot 推理时模型参数完全冻结，与 Fine-tuning 的本质区别就在于此。模型只是通过输入中的示例改变输出分布，而非改变自身权重。

Q4. 关于 Few-shot 中示例的作用，正确的是：

单选题 · mid

  • A.为模型注入全新的知识
  • B.激活预训练习得的能力← 正确答案
  • C.增大模型参数的总量
  • D.降低模型推理的延迟

答案：B。示例不注入新知识，也不改变参数，而是激活预训练阶段已经编码的任务模式——就像“字帖”唤起书家的记忆。参数量和延迟都与示例无关。

Q5. 示例数量 k 与 Few-shot 性能的关系是：

单选题 · mid

  • A.k 越大性能一定越好
  • B.收益递减且受窗口限制← 正确答案
  • C.k 与性能完全不相关
  • D.k 必须超过一百才有效

答案：B。Few-shot 性能随示例数量增加而提升，但遵循收益递减规律，且受上下文窗口硬约束。超过甜点值后继续增加示例，不仅提升甚微，还可能引入噪声。

Q6. Few-shot 与 Fine-tuning 最本质的区别是：

单选题 · mid

  • A.使用的底座模型不同
  • B.是否更新模型内部参数← 正确答案
  • C.是否需要文本类型输入
  • D.结果是否经过人工审核

答案：B。Few-shot 冻结全部参数，仅通过输入示例引导模型；Fine-tuning 通过梯度更新改变权重。模型不同、输入类型、人工审核都与二者的本质区分无关。

Q7. “涌现能力”描述的是大模型的：

单选题 · mid

  • A.参数量越大推理越快
  • B.规模达阈值后能力突现← 正确答案
  • C.训练数据永远无法耗尽
  • D.网络层数可以无限加深

答案：B。涌现是指模型参数量超过某个临界点后，原本随机水平的任务突然获得显著性能提升的现象。它与推理速度、数据耗尽、层数加深无关，是规模效应的非线性表现。

Q8. 设计高质量 Few-shot 示例时应当注意：

多选题 · hard

  • A.示例格式与目标输出保持一致← 正确答案
  • B.示例尽量覆盖任务的不同变体← 正确答案
  • C.示例数量越多效果一定越好
  • D.示例的标签必须保证准确← 正确答案

答案：ABD。格式一致、覆盖变体、标签准确是高质量示例的三大要素。示例数量并非越多越好（C 错），收益递减且有窗口限制。

Q9. Few-shot 学习的主要局限性包括：

多选题 · hard

  • A.受模型上下文窗口长度限制← 正确答案
  • B.输出稳定性不如微调方案← 正确答案
  • C.完全不需要任何计算资源
  • D.对示例质量和噪声较敏感← 正确答案

答案：ABD。上下文窗口限制示例规模、输出稳定性不如微调、对示例噪声敏感是三大局限。C 显然错误——推理仍需要计算资源，只是无需训练。

Q10. 从“模式归纳”视角理解 Few-shot, 正确的有：

多选题 · extreme

  • A.模型从示例中提取映射规律← 正确答案
  • B.模型将示例存入长期记忆
  • C.模型复用预训练任务先验← 正确答案
  • D.模型通过梯度更新记忆示例

答案：AC。Few-shot 的底层机制是从示例中提取输入到输出的映射规律（A 对），并复用预训练阶段习得的任务先验（C 对）。它不会把示例存入长期记忆（B 错），也不进行梯度更新（D 错）。这正是“临帖悟笔法”而非“背下全帖”。