文本分类与序列标注：Few-shot文本分类

CH-08-01-034·约 18 分钟·AI应用领域·更新 2026-08-11

深夜的厨房，一位老食客端来一道从未见过的菜，只说了句“帮我尝尝这是哪个菜系的”。大厨拿起筷子蘸了一点汤汁，在舌尖上转了一圈：“咸鲜回甘，有豆瓣酱的醇厚，还带一丝花椒的麻——川菜，改良过的。”他没有系统的菜谱，甚至没听过这道菜名，但凭十几年的味觉记忆，只尝一口，就完成了别人需要完整菜谱才能完成的判断。这就是少样本（Few-shot）文本分类的日常。传统机器学习像一位“按菜谱做菜”的新手——看得越多做得越好，数据量少了就无从下手；而 Few-shot 学习像经验老到的大厨——每个类别哪怕只见到几个样例，也能快速提炼出“风味特征”，把新到的文本稳稳归入正确的类别。研究者们走出了两条路：一条是“自建味觉坐标”的原型网络，将每个类别的少量样本浓缩成一个“招牌风味点”；另一条是“请见多识广的老饕出山”的大语言模型，靠提示模板和几个上下文示例，甚至零例子也能直接判断。本文就用“大厨尝菜”这根线头，把 Few-shot 文本分类的来龙去脉一针一线地拆给你看。

岗位关联

掌握 Few-shot 文本分类，意味着你能够在标注资源稀缺的真实业务中快速上线分类服务，这是 NLP 工程师面试与架构评审中体现“工程判断力”的高价值考点。

可视化演示
少样本学习：大厨的“尝一口”本领
特征空间：调料构成的味觉坐标
原型网络：把一群菜汇成招牌风味
大语言模型：见多识广的老饕出山
工程设计：后厨怎么选人用人
挑战与展望：也有失手的时候
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化处理流程：输入→处理→模型→输出性能监控：实时指标 P=L×T

少样本学习：大厨的“尝一口”本领

大厨为什么敢只尝一口就下判断？因为他把几十年的做菜经验浓缩成了“味觉直觉”。他不需要把整道菜吃完，更不需要翻看厚厚一本菜谱——只需观察汤汁颜色、闻香气、尝咸淡，就能锁定菜系。少样本文本分类要的正是这种本事：每个类别只给你几个标注样本，模型就要学会把新文本正确归档。

传统监督分类像“按菜谱照做”，动辄需要成千上万个标注样本才敢开火。而 Few-shot 学习设定了一种更苛刻的考验：假设有 N 个类别，每个类别只给 K 个标注样本，这被称为 N-way K-shot 问题。这里的“支撑集”就是大厨面前那几口能尝的菜，而“查询集”是后续源源不断端上来的新菜。训练阶段模型可能在其他任务上学过“如何尝菜”，但面对这些新类别时，只能用 K 个样本快速适应。

这个设定可以用数学语言精确描述。支撑集就是所有可用标注样本的集合：

大厨的“尝一口”看似轻松，背后是长期练就的味觉迁移能力。同样，Few-shot 学习真正的难点不在“记住这几道菜”，而在于把在别处学到的“通用味道辨别能力”迁移到眼前的 N 个新类别上——这正是它与普通监督学习的本质分水岭。

\mathcal{D}_{\text{support}} = \{(x_i, y_i)\}_{i=1}^{N \times K}

支撑集由 N 个类别的 K 条样本组成，总共 N×K 条标注数据，模型只能“吃”这些数据。

类别数 N（N-way）N 表示本次任务一共有几种可能的类别，相当于桌上摆了 N 种待辨别的菜系。
$\mathcal{Y} = \{1, 2, \dots, N\}, \quad |\mathcal{Y}| = N$
每类样本数 K（K-shot）K 表示每个类别只给出几条标注文本，相当于每个菜系只允许你尝 K 道菜。
$S_k = \{(x_i, y_i) \mid y_i = k\}, \quad |S_k| = K, \quad k = 1, \dots, N$
支撑集合并所有类别的样本合在一起构成支撑集，是模型在本次任务中唯一能看到的标注数据。
$\mathcal{D}_{\text{support}} = \bigcup_{k=1}^{N} S_k, \quad |\mathcal{D}_{\text{support}}| = N \times K$

特征空间：调料构成的味觉坐标

大厨尝菜时，脑子里并不是记菜名，而是记“味道坐标”：这口汤汁偏咸还是偏甜？酸度几分？辣度几分？花椒的麻和辣椒的辣各占多少？当所有味道维度摆在眼前，每道菜就成了这个“味觉坐标系”里的一个点。文本分类也要做类似的事：把文字变成向量，让语义相近的句子在空间里靠在一起。

负责把文本变成向量的部分叫嵌入函数，通常用 f(x) 表示。它可以是 BERT 这类预训练编码器，也可以是大语言模型的内部表示。经过编码后，“AI 芯片发布”和“科技公司推出处理器”这两个句子会在向量空间中距离很近，而“国足今晚出战”则落在很远的位置。这样一来，分类问题就被转化成了“找最近的邻居”问题，也就是所谓的度量学习——学习一个好的距离度量，让同类近、异类远。

衡量两个向量亲近程度最常用的工具是余弦相似度，它关注方向的契合而非长度的差异：

对于大厨来说，一套好的“味觉坐标”能让他对任何菜系都快速定位；对于模型来说，一个高质量的特征空间决定了 Few-shot 分类的上限。如果嵌入空间本来就“类间分离、类内紧凑”，那么即使每类只有一两个样本，分类也能稳如老狗。

\text{sim}(x_i, x_j) = \frac{f(x_i) \cdot f(x_j)}{\|f(x_i)\| \, \|f(x_j)\|}

余弦相似度计算两个向量的夹角余弦值，值越接近 1，表示两个句子在语义方向上越一致。

向量点积将两个嵌入向量逐维度相乘再求和，衡量它们在每个维度上是否“同向共振”。
$f(x_i) \cdot f(x_j) = \sum_{d=1}^{D} f(x_i)_d \, f(x_j)_d$
模长归一化分别除以两个向量的长度，消除文本长短带来的数值差异。
$\frac{f(x_i)}{\|f(x_i)\|} \quad \text{是单位方向向量}$
夹角余弦结果落在 [-1, 1] 区间，越接近 1 代表方向越一致，语义越相近。
$\text{sim}(x_i, x_j) \in [-1, 1], \quad \text{越大越相似}$

原型网络：把一群菜汇成招牌风味

大厨面对一种新菜系时，不会把尝过的几道菜分别记在脑子里，而是会总结出一个“招牌风味”：川菜就是麻辣鲜香，粤菜就是清鲜本味。这个招牌风味不是一个具体的菜，而是对多道菜的抽象概括。原型网络（Prototypical Networks）干的就是这件事：把某个类别的 K 个样本向量做平均，得到该类别的“原型”。

具体流程分三步。第一步，用嵌入函数 f 把支撑集中的每条文本变成向量。第二步，对每个类别 k，把属于它的 K 个向量求平均，得到类原型 c_k——相当于“这道菜系的风味均值”。第三步，把待分类的查询文本也变成向量，然后计算它到每个类原型的欧氏距离，距离最近的那个类就是预测结果。整个过程不需要梯度更新，只需一次前向计算，快如闪电。

类原型的计算公式非常简洁：

得到原型后，预测就变成了“比对招牌风味”：

大厨总结出“招牌风味”后，新菜一上桌，他只需拿它和脑中的几个风味模板逐一比对，就能脱口而出答案。原型网络正是用这种“求平均—比距离”的朴素哲学，在 K 很小（甚至 K=1）时依然能给出可用的分类结果，是少样本文本分类最经典的基线方法之一。

c_k = \frac{1}{K} \sum_{(x_i, y_i) \in S_k} f(x_i)

查询文本离哪个类原型最近，就被判定为哪个类别。

查询编码待分类文本同样经嵌入函数变成向量。
$z_{\text{query}} = f(x_{\text{query}})$
距离计算计算查询向量与每个类原型的欧氏距离平方。
$d_k = \| z_{\text{query}} - c_k \|^2$
取最小值选择距离最小的类别索引作为预测标签。
$\hat{y} = \arg\min_{k} \; d_k$

大语言模型：见多识广的老饕出山

自家大厨再厉害，也有拿不准的新品类。这时候，不妨请一位“吃遍天下”的老饕来把关。大语言模型（LLM）就是这样一位老饕——它在互联网级别的文本上预训练过，见过无数种“菜系风格”和“品评标准”。你甚至不需要给它正式的标注数据，只要把任务写进一句话提示里，它就能给出判断；或者随手给它两三个例子，它就能举一反三。

这种能力的学名叫提示学习（Prompt Learning）。零样本分类是指提示中不包含任何当前任务的标注示例，直接让模型输出标签，例如“将以下新闻分类为科技、体育或财经：……”。上下文学习（In-Context Learning）则是在提示中拼接 K 个“输入→标签”示例，再接上待分类文本，让模型“照猫画虎”地输出答案。整个过程模型参数完全不动，纯粹靠“读题”完成新任务。

用概率的语言刻画这个过程：模型在给定提示模板和示例的条件下，对每个候选标签词打分，取分数最高的那个作为答案：

老饕的厉害之处在于，他不需要“重新学做菜”——几十年的阅历本身就是知识。大语言模型也是同理：海量预训练已经让它掌握了丰富的语言与知识关联，少样本分类不再是“从零学习”，而是“唤醒已有知识”。这解释了为什么它能在标注数据几乎为零时依然表现出色，成为当前 Few-shot 文本分类最热门的技术路线。

\hat{y} = \arg\max_{y \in \mathcal{Y}} P_{\text{LLM}}(y \mid \text{Template}(x; E_1, E_2, \dots, E_K))

大模型把“示例+问题”当成一段自然语言来续写，哪个标签词续写概率最高，就预测哪个标签。

模板拼接把 K 个示例和待分类文本按固定模板拼成一个文本序列。
$\text{Template}(x; E_1, \dots, E_K) = E_1 \oplus E_2 \oplus \dots \oplus E_K \oplus x$
候选标签打分模型对每个候选标签词输出一个条件概率。
$P_{\text{LLM}}(y = \text{"科技"} \mid \text{Template}) = 0.72$
取概率最大者从所有候选标签中选择概率最高的作为预测结果。
$\hat{y} = \arg\max_{y \in \mathcal{Y}} P_{\text{LLM}}(y \mid \text{Template})$

工程设计：后厨怎么选人用人

知道了两种主流做法，后厨到底该请老饕坐镇，还是让自家大厨多练几手？这取决于预算、时效和业务场景。工程设计的第一步是选路线：如果数据合规要求严、推理成本敏感、类别是垂直领域专属，那么“小模型编码器 + 原型网络”更稳妥——训练快、可私有化部署、行为可解释；如果类别五花八门、响应速度要求高、且有稳定的 LLM API 可用，那么“提示学习”几乎是零成本启动的最佳选择。

第二步是定评估指标。少样本场景不能只看单次准确率，因为随机抽到的 K 个样本不同，结果波动很大。常用的做法是跑多个随机 episode（每次重新抽样支撑集和查询集），取平均准确率。对于类别不平衡的业务，还要关注宏平均 F1。准确率的定义是：

第三步是设计迭代流程：先用几十条样本快速验证哪条路线效果好，再逐步扩充支撑集、调优提示模板或微调编码器。大厨开新店不会一上来就准备满汉全席，而是先试菜、定菜单、再标准化。工程上最忌讳的是一步到位——少样本任务的性能天花板往往不在模型，而在“样本选得是否代表类别”和“评估是否足够稳定”。

\text{Acc} = \frac{1}{|\mathcal{D}_{\text{test}}|} \sum_{i=1}^{|\mathcal{D}_{\text{test}}|} \mathbb{1}[\hat{y}_i = y_i]

准确率是预测正确的样本数占测试集总数的比例。

指示函数当预测与真实标签相等时记 1，否则记 0。
$\mathbb{1}[\hat{y}_i = y_i] = \begin{cases} 1, & \hat{y}_i = y_i \\ 0, & \text{otherwise} \end{cases}$
求和计数遍历测试集所有样本，统计预测正确的个数。
$\sum_{i=1}^{|\mathcal{D}_{\text{test}}|} \mathbb{1}[\hat{y}_i = y_i]$
取平均除以测试集总数，得到 0 到 1 之间的准确率。
$\text{Acc} \in [0, 1], \quad \text{越高越好}$

挑战与展望：也有失手的时候

再厉害的大厨也有翻车的瞬间。客人说“来点辣的”，他端出重麻重辣的川菜，结果客人想要的是湖南的香辣——几个样本很难覆盖一个类别的全部变化。这就是少样本学习最大的心魔：样本偏差。如果 K 个“科技新闻”恰好都是手机发布会，模型就会把“科技”理解成“手机相关”，遇到“AI 芯片”的新文本就判错。

原型网络对这种偏差尤其敏感，因为类原型是 K 个样本的均值，一个离群样本就能把原型拉偏。从统计角度看，原型估计的方差与 K 成反比：

除了样本偏差，提示学习还有自己的“娇气”：模板敏感。提示词换个措辞、示例换个顺序，准确率可能相差好几个百分点。更进一步的跨域泛化难题是，在一个领域（如新闻）上学到的原型度量空间，迁移到另一个领域（如医疗）时可能水土不服。未来的方向包括元学习、数据增强、检索增强等，这些探索本质上都指向同一个目标——让大厨在只尝一口的情况下，依然能凭最少的线索，做出最稳的判断。

\mathbb{E}\left[ \| c_k - \bar{c}_k \|^2 \right] \propto \frac{\sigma_k^2}{K}

原型离真实类别中心的期望偏差，与类内方差成正比、与样本数 K 成反比。K 越小，原型越容易“飘”。

真实中心假设每个类别存在一个理想的中心向量，是无数样本的平均。
$\bar{c}_k = \mathbb{E}[ f(x) \mid y = k ]$
估计偏差用 K 个样本估计出的原型与真实中心之间的平方距离就是误差。
$\text{Error}_k = \| c_k - \bar{c}_k \|^2$
方差反比误差随 K 增大按 1/K 的速度缩小，说明“多看几道菜”确实能稳住风味判断。
$\text{Error}_k \propto \frac{\sigma_k^2}{K}$

AI 应用场景

电商新品评论快速打标

阶段：数据标注与冷启动

解决的问题：电商平台上新类目（如“折叠屏支架”）上线时，历史标注数据几乎为零，传统分类模型无法启动训练，而人工标注数千条评论耗时又费钱。

具体案例：运营团队用大语言模型的提示学习，在提示中给出 3 条正例和 2 条反例（“质量很好，安装方便”→好评；“用两天就断了”→差评），对首批 500 条新品类评论进行零训练分类。模型在 10 分钟内完成打标，人工抽检准确率约 92%，随后将高置信预测结果加入支撑集，用小模型+原型网络建立可自部署的轻量分类服务。

金融新事件类型冷启动分类

阶段：小样本类别建模

解决的问题：金融风控中每季度都会出现新兴的违规事件类型（如“虚拟货币洗钱”“人工智能伪造证件”），起初只有零星几个真实案例，传统监督学习无法用几个样本训练出一个可靠的检测器。

具体案例：风控团队从人工审核记录中挑出每个新事件类型 K=3 个典型样本，用预训练编码器提取嵌入，构建原型网络。当新案件进入时，先计算它与所有已知类型原型的距离，距离均超过阈值则进入人工审核，否则直接归类。该系统将新类型案件的初筛准确率从 40% 提升到 85%，且模型上线仅需一条 SQL 级别的批处理脚本。

Python 演示

python44 行

import numpy as np  def build_embeddings(n_classes=6, n_per_class=50, dim=16, seed=42):    rng = np.random.default_rng(seed)    centers = rng.normal(size=(n_classes, dim))    embs, labels = [], []    for c in range(n_classes):        for _ in range(n_per_class):            embs.append(centers[c] + rng.normal(scale=0.5, size=dim))            labels.append(c)    return np.array(embs), np.array(labels)  def get_prototypes(support_x, support_y, n_classes):    protos = []    for c in range(n_classes):        mask = support_y == c        protos.append(support_x[mask].mean(axis=0))    return np.array(protos)  def few_shot_accuracy(emb, label, n_classes, k_shot=3, n_episodes=200, seed=1):    rng = np.random.default_rng(seed)    accs = []    for _ in range(n_episodes):        support_idx = []        for c in range(n_classes):            support_idx.append(rng.choice(np.where(label == c)[0], k_shot, replace=False))        support_idx = np.concatenate(support_idx)        query_mask = np.ones(len(emb), dtype=bool)        query_mask[support_idx] = False        protos = get_prototypes(emb[support_idx], label[support_idx], n_classes)        dist = np.linalg.norm(emb[query_mask][:, None, :] - protos[None, :, :], axis=2)        pred = dist.argmin(axis=1)        accs.append((pred == label[query_mask]).mean())    return np.mean(accs)  if __name__ == "__main__":    emb, label = build_embeddings()    for k in [1, 3, 5]:        acc = few_shot_accuracy(emb, label, n_classes=6, k_shot=k)        print(f"K-shot={k}: 平均准确率={acc:.2%}")

目的：用 numpy 模拟“已嵌入好的文本向量”，实现原型网络的完整流程并评估不同 K 值下的分类准确率。

embs.append(centers[c] + rng.normal(scale=0.5, size=dim))在真实类别中心附近生成带噪声的文本嵌入向量。
np.where(label == c)[0]找到第 c 类所有样本的下标，等价于“把同一菜系的菜挑出来”。
rng.choice(..., k_shot, replace=False)每类随机抽取 K 个样本作为支撑集，其余作为查询集。
support_x[mask].mean(axis=0)对同类样本向量求平均，得到该类别的类原型。
np.linalg.norm(..., axis=2)计算每个查询向量到所有类原型的欧氏距离矩阵。
dist.argmin(axis=1)对每个查询样本取距离最近的类原型下标，完成最近邻匹配。

常见误区

误区既然数据少，那就把这几条数据反复喂给模型，多训练几个 epoch，让模型把样本背下来。

正解少样本学习的核心是“用少量样本学会可泛化的类别边界”，而不是“记住这几个样本”。原型网络通过求均值提炼共性，大模型通过触发已有知识完成分类，两者都强调泛化能力。如果只是反复训练，模型会过拟合到那 K 条样本上，换一条新文本立刻露馅，相当于大厨只记住了那几道菜的味道，却总结不出菜系规律。

为何常见：“数据不够，训练来凑”是传统深度学习的直觉惯性，容易忽略 Few-shot 问题本身的设定就是“只想给你看几眼”。

误区上下文示例是很厉害，那我放 20 个示例进去，分类肯定比 3 个示例更准。

正解示例并非多多益善。超出模型上下文窗口会导致截断，重复或矛盾的示例会引入噪声，示例的顺序也会显著影响效果。实践中存在一个“最佳示例数”，通常 4~8 个即可，超过后性能可能不升反降，就像给老饕连上十道菜他也会味觉疲劳。

为何常见：日常经验中“例题越多学得越好”的认知迁移到了提示学习上，忽略了 LLM 推理时的上下文容量和注意力稀释。

误区原型网络对每个样本算距离再取最近，和 K 近邻分类一模一样。

正解KNN 是拿查询样本与每一个历史样本逐一比较，本质上是“记菜名”；原型网络先把同类样本融合成一个原型点，再用查询向量与原型比较，本质上是“总结菜系”。融合步骤让原型对个别离群样本更鲁棒，且在推理时只需比较 N 个原型而非 N×K 个样本，速度更快。两者在 K=1 时恰好相等，但原型网络在 K>1 时引入了“类内信息聚合”这一关键差异。

为何常见：两者的预测公式都是“距离最近”，初学者容易只看表象而忽略“原型是学出来的类代表”这一核心。

误区既然叫 zero-shot，那模型对这些标签概念应该一无所知，纯粹靠推理猜出来。

正解“零样本”指的是推理时不给当前任务的标注示例，但大语言模型在海量预训练语料中已经见过无数带标签的文本。它知道“科技”通常与芯片、互联网相关，“财经”与股票、基金相关。零样本分类本质上是“唤醒已有知识并执行指令”，而不是“凭空推理”。如果标签是非常罕见的专有名词，零样本性能就会明显下降。

为何常见：“zero“这个词太有迷惑性，让人望文生义，忽略了 LLM 预训练阶段已经”偷看”过大量监督信号。

面试题

Q1. Few-shot 文本分类中"K-shot"的 K 指什么？

单选题 · easy

A.每个类别的标注样本数← 正确答案
B.模型训练的总轮数
C.输入文本的最大长度
D.支撑集的样本总数

答案：A。K-shot 指每个类别提供 K 个标注样本，是“每道菜系只给你尝 K 道菜”的意思。支撑集总样本数应为 N×K，训练轮数和文本长度都与 K 无关。

Q2. 原型网络中“类原型”通常如何得到？

单选题 · easy

A.该类样本向量的均值← 正确答案
B.距离中心最近的样本
C.随机选中的一个样本
D.类别标签的独热编码

答案：A。类原型是对同类 K 个样本的嵌入向量求平均，相当于大厨总结出的“招牌风味”。随机选一个样本无法代表整个类别，独热编码只是标签表示而非文本特征。

Q3. 原型网络对查询文本进行分类的依据是？

单选题 · mid

A.与各类原型的欧氏距离← 正确答案
B.与所有样本的平均编辑距离
C.与训练集样本的 Jaccard 相似度
D.词频统计的卡方检验值

答案：A。原型网络将查询向量与每个类原型计算欧氏距离，取最近者作为预测类别。编辑距离是字符层面的相似度，Jaccard 与卡方检验都不是该网络的匹配机制。

Q4. 大语言模型的“上下文学习”指的是？

单选题 · mid

A.通过提示中的示例完成新任务← 正确答案
B.用梯度下降更新模型参数
C.对上下文窗口做数据增强
D.在隐层中存储知识图谱

答案：A。上下文学习是把若干输入-标签示例拼进提示文本，模型不改参数直接推理，像老饕听你举两个例子就能举一反三。它不涉及梯度更新和参数修改。

Q5. 提示学习中“标签词”的选择为什么重要？

单选题 · hard

A.它决定了候选标签的概率空间← 正确答案
B.它直接改变支撑集的类别数
C.它会修改嵌入向量的维度
D.它决定训练集的数据量大小

答案：A。模型在标签词上输出概率分布，选择“科技/体育/财经”还是"Tech/Sports/Finance"，会改变概率空间和最终预测。它不影响支撑集、向量维度或训练数据量。

Q6. 与传统监督分类相比，Few-shot 分类的核心目标是？

单选题 · easy

A.用极少标注样本快速适应新类别← 正确答案
B.在超大样本上提升极限精度
C.完全抛弃监督信号做无监督聚类
D.用模型压缩减小存储体积

答案：A。Few-shot 的核心约束是每类仅几个标注样本，目标是快速适应新类别。它并不排斥少量监督信号，也不是为了压缩模型或追求超大样本精度。

Q7. 少样本评估中"episode"指的是什么？

单选题 · hard

A.一次随机采样支撑集和查询集的评估回合← 正确答案
B.一轮完整的梯度下降迭代
C.一次数据增强的预处理流程
D.一个完整的模型训练周期

答案：A。少样本评估通常随机采样多个划分（支撑集+查询集），每个划分称为一个 episode，最后取平均指标以消除抽样波动。它不等同于训练轮次或预处理流程。

Q8. 以下哪些属于 Few-shot 文本分类的可行技术路线？

多选题 · mid

A.原型网络上做最近邻匹配← 正确答案
B.构造提示模板引导大模型← 正确答案
C.在训练集上随机打乱标签
D.用元学习训练“会学习”的初始化← 正确答案

答案：ABD。原型网络、提示学习、元学习都是少样本分类的主流路线。随机打乱标签会破坏监督信号，不可能学到有效分类器。

Q9. 原型网络在 K=1 时最容易出现的风险是？

单选题 · hard

A.单个样本将类原型带偏← 正确答案
B.模型彻底欠拟合训练数据
C.嵌入向量维度直接爆炸
D.反向传播梯度消失导致崩溃

答案：A。K=1 时类原型就是那一个样本本身，它若是离群点，整个类别的代表点就偏离真实中心，这正是方差公式中 K 很小时的隐患。它不涉及欠拟合、维度或梯度问题，因为原型网络在推理时甚至不依赖梯度。

Q10. 缓解少样本文本分类中样本偏差的常见思路包括？

多选题 · mid

A.在相似任务上先做元学习← 正确答案
B.利用大模型的外部知识补充← 正确答案
C.盲目增加每类的单词数量
D.用数据增强扩充支撑集← 正确答案

答案：ABD。元学习提供更好的初始化，大模型提供外部知识，数据增强扩充样本多样性，三者都能对冲样本偏差。增加单条文本的单词数不改变类别覆盖面，无法解决“样本代表性不足”问题。