一句话定义：零样本学习（Zero-shot Learning）指的是模型在没有针对某个具体任务或类别的标注样本的情况下，仅凭任务描述就能直接完成任务。
打个生活化的比方。公司来了位新人，从没做过“给合同盖章”这件事，但你告诉他“把这份合同翻到甲方签字那页，盖上公章，扫描后发回”，他大概率能完成。因为他早就理解了“合同、盖章、扫描”这些概念，只是没在这个具体流程上练过。零样本学习就是这种状态：模型没有见过“把合同盖章”的样本，但预训练阶段已经积累了足够多的通用知识。
它的原理可以拆成两步。第一步，预训练（Pre-training）阶段，模型在海量数据里学到了概念之间的关联，比如“退款”通常和“订单”有关，“投诉”往往带情绪。第二步，推理阶段，任务描述充当了一份“说明书”：你写清类别名、判断规则、输出格式，模型把新任务映射到它已经学过的概念空间里。例如做文本分类时，它会把“这条评论是投诉还是咨询”转换成“哪句话和评论更匹配”。
要特别注意，这里的“零”指的是目标任务的标注样本为零，而不是说模型没经过训练。它依赖的是泛化能力和任务描述的质量。
| 方法 | 目标任务的标注样本 | 主要靠什么 |
|---|---|---|
| 监督学习 | 很多 | 从样本里总结规律 |
| 微调（Fine-tuning） | 有一批 | 用数据更新模型参数 |
| 少样本学习（Few-shot Learning） | 每类几个 | 少量样本加预训练底子 |
| 零样本学习 | 零个 | 预训练泛化加清晰的提示词（Prompt） |
零样本当然不是万能。任务描述含糊、类别划分特别细、需要专业判断时，效果会明显下滑。它最合适的场景是：先跑通一个基线、快速验证一个想法、或者处理那些压根没人标数据的长尾需求。
对从业者来说，实用建议是：遇到新任务先写一版清晰的提示词试试零样本，再决定要不要收集数据做少样本或微调。这相当于一次低成本的判断——如果零样本已经能打个及格分，说明任务本身并不难，可能不需要大动干戈。对普通人来说，你其实早就在用了：让工具“把这段会议记录整理成待办清单”，而它从没专门训练过这个任务。