Zero-shot learning, bir modelin hiç örnek görmeden bir görevi yapabilmesidir. İsteme tek bir örnek konulmuyor, sadece ne isteniyorsa düz bir cümleyle tarif ediliyor. Model görevi bu tarifle anlıyor ve doğrudan çıktı üretiyor.
Bunun mümkün olmasının sebebi ön eğitimin genişliği. Model devasa bir metin yığınında sayısız görev biçimini görmüş durumda: özet çıkarma, sınıflandırma, çeviri, tablo doldurma. Yeni bir görev tarif edildiğinde model bunu daha önce gördüğü kalıplarla ilişkilendiriyor. Görüntü tarafında da bir sınıfı hiç görmemiş bir model, sınıfın metinle tarifi verildiğinde onu tanıyabiliyor.
Few-shot ile farkı örnek sayısı. Few-shot'ta isteme birkaç örnek konuluyor, zero-shot'ta hiç konulmuyor. Zero-shot daha kısa istem ve daha düşük maliyet demek, ama çıktı biçimi üzerinde daha az kontrol veriyor.
Somut bir örnek: bir yayıncı, haber başlıklarını konu kategorilerine ayırmak istiyor. İsteme yalnızca kategori listesi ve "bu başlığı bu kategorilerden birine ata" talimatı yazılıyor. Model etiketlenmiş tek bir örnek görmeden makul sonuç veriyor. Kategoriler kurum içi jargon içerdiğinde ise doğruluk düşüyor ve birkaç örnek eklemek gerekiyor.
Zero-shot'ın zayıf yanı biçim tutarlılığı. Model bazen istenen etiket kümesinin dışına çıkıyor, bu yüzden çıktı şemayla kısıtlanıyor ya da sonradan doğrulanıyor.