zero-shot

general · First seen 2026-05-22 · Last seen 2026-11-18 · 106 mentions

Overview

zero-shot(零样本)指模型在没有针对特定任务或场景做过任何专门训练的情况下直接完成任务的能力,是衡量机器学习泛化水平的重要指标。随着大语言模型、多模态模型和世界模型的发展,zero-shot 正从语言分类、信息抽取扩展到机器人控制、视觉导航和奖励建模等更复杂的场景,相关实证研究也在检验它的真实边界。

zero-shot 的近期进展

机器人领域是当前 zero-shot 最受关注的方向之一。据 Pandaily 报道,Robotera 的 VPP2 世界动作模型在 RoboDojo 基准上登顶,在真实 ALOHA 机械臂上取得 58.5% 的 zero-shot 成功率,并且以开源方式发布,这类真实硬件上的零样本迁移被视为通用机器人操作的关键检验。

在强化学习与世界模型方向,arXiv 论文《神经符号世界模型实现零样本任务迁移》(https://arxiv.org/abs/2608.17959v1)提出用神经符号结构让智能体把已学知识迁移到未见任务;Google DeepMind 相关工作《VIGOR: Zero-Shot Visual Generalization via Latent-Space Consistency in Model-Based Reinforcement Learning》(https://arxiv.org/abs/2610.02801v1)则通过潜在空间一致性提升模型基强化学习在视觉上的零样本泛化。

多模态与具身导航方面,工作《Read It Back:预训练 MLLM 成为文本到图像生成的零样本奖励模型》(https://x.com/_akhaliq/status/2077420923410358343)显示预训练多模态大模型可以不经微调直接充当文生图的奖励模型;《AVALON: Zero-Shot Indoor Navigation with Human-Seeded Topological Memory》(https://arxiv.org/abs/2610.21586v1)借助人类经验构建的拓扑记忆实现室内环境的零样本导航。文本侧,《Label-Centric Knowledge Retrieval for Zero-Shot Text Classification》(https://arxiv.org/abs/2610.16182v1)围绕标签检索知识改进零样本分类。

当前焦点与观察点

一个明显的趋势是研究者开始更冷静地检验 LLM 的 zero-shot 能力。arXiv 的系统性实证研究《LLM 何时能帮上特征选择?》(https://arxiv.org/abs/2610.28556v1)显示,大模型在特征选择这类任务上并非普遍有效,其零样本表现高度依赖任务与提示设计,提醒从业者不要把零样本当作默认方案。

另一个焦点是 zero-shot 能力的"产品化":《Agent in a Bottle》(https://arxiv.org/abs/2610.08775v1)探讨能否把 LLM 智能体的能力封装成低成本、可复用的产物,而《PersianAnonymizer》(https://arxiv.org/abs/2609.00958v1)则检验 LLM 标注在波斯语 NER 匿名化中的表现,反映零样本在低资源语言场景的实际效果仍需谨慎评估。

综合来看,zero-shot 已从语言任务的演示性能力,走向机器人、视觉与智能体系统的硬性指标,但研究界对其真实泛化边界的质疑也在增加。观察点包括:真实硬件上的零样本成功率能否继续提升、LLM 零样本能力在何种任务结构下真正可靠,以及零样本方法与少样本微调之间的成本权衡。

Coverage

10 on file