零样本 · AI 话题观测

§ 01综述

零样本学习（Zero-shot Learning）是指模型在训练时未见过特定类别的样本，却能在推理时正确识别或处理该类别的能力，是评估模型泛化性的关键指标。近期，零样本技术在多领域取得突破，从固体力学到表格数据、时间序列等，展现出从专用模型向通用基础模型演进的趋势。

零样本近期进展

极影科技发布世界首个零样本可泛化固体力学物理基础模型Jiying 2.0-s（2026年7月，Pandaily）：该模型在固体力学上实现零样本预测，无需针对具体材料或结构重新训练，可直接泛化至新场景。

Google Research发布TabFM，表格数据零样本基础模型（2026年7月，AI Will）：TabFM针对表格数据，在零样本设置下完成分类、回归等任务，填补了该领域基础模型的空白。

Google Research开源零样本时间序列模型TimesFM 2.5（2026年7月，berryxia）：TimesFM 2.5在时间序列预测上进一步提升了零样本性能，支持跨领域泛化。

EvolveNav: 零样本物体导航的自演化记忆框架（2026年6月，arXiv）：该框架使机器人在未见过的环境中零样本导航至目标物体，通过自演化记忆增强泛化能力。

Claude Mythos未发布已有人提前用上，零样本生成Minecraft城堡（2026年6月，AI Will）：利用Claude Mythos的零样本能力，用户直接生成复杂3D结构，展示了大模型的创造力。

当前焦点与观察点

零样本技术的焦点正从单一领域向跨模态、多任务基础模型过渡。例如，表格数据和时间序列的零样本基础模型表明，即使数据形态差异大，也能通过大规模预训练实现泛化。同时，物理模型（如固体力学）和交互式任务（如物体导航）的零样本进展，说明模型已能处理物理规律和实时决策。争议点在于：零样本性能的评估标准不统一，且部分模型在极度陌生任务上仍可能失败，泛化的局限性未被充分揭示。此外，零样本与少样本的边界越来越模糊，如何平衡泛化与专用性能仍是研究前沿。

§ 02相关报道09 条在档

§ 03邻近话题