Zero-shot
En une ligne : Demander à l’IA de faire quelque chose sans lui donner d’exemple. L’opposé du prompting avec quelques exemples.
Qu’est-ce que le zero-shot ?
Prompting zero-shot consiste à demander à une IA d’effectuer une tâche sans lui fournir d’exemples résolus, uniquement l’instruction. Le modèle s’appuie entièrement sur les schémas issus de son données d’entraînement. Moderne LLM sont remarquablement performants en zero-shot, car ils ont vu d’immenses quantités de tâches similaires pendant le préentraînement. Comprendre quand le zero-shot suffit - Et quand il faut investir davantage token budget dans les exemples - fait partie des compétences clés de ingénierie des prompts.
Deux exemples concrets rendent la différence évidente. Zero-shot : "Classe cet avis comme positif ou négatif : [texte de l’avis]". La version few-shot de la même tâche place deux ou trois avis étiquetés avant le vôtre pour que le modèle puisse reproduire le schéma. Même modèle, même tâche ; la seule différence est l’utilisation ou non de tokens pour montrer ce que vous attendez.
Zero-shot vs few-shot vs fine-tuning
| Approche | Exemples nécessaires | Coût | Quand utiliser |
|---|---|---|---|
| Zero-shot | Aucun | Coût par token le plus bas | Tâches courantes et bien définies dont le modèle comprend clairement l'objectif |
| En un seul essai | 1 | Légèrement supérieur | Lorsque vous devez montrer le format de sortie sans multiplier les exemples |
| Few-shot | 2–10 | Modéré (tokens par appel) | Formats inhabituels, style propre à un domaine, tâches subjectives |
| Ajustement fin | De plusieurs centaines à plusieurs milliers | Coût initial élevé, faible coût par appel | Production à grande échelle exigeant une cohérence et un style constants |
Quand le zero-shot suffit
Le zero-shot fonctionne bien pour les tâches courantes, bien définies et pour lesquelles les capacités du modèle données d’entraînement contenait presque certainement de nombreux exemples :
- Traduction entre les principales langues
- Analyse des sentiments et classification
- Résumé de textes courants
- Correction orthographique et grammaticale
- Génération de code simple dans les langages courants
- Extraction d’entités nommées (dates, noms, organisations) dans un texte
Pour ces tâches, ajouter des exemples améliore rarement assez la qualité du résultat pour justifier les tokens supplémentaires. Commencez sans exemple et n’en ajoutez que si les résultats manquent de régularité.
Quand le few-shot justifie les tokens supplémentaires
- Formats de sortie inhabituels - Schémas JSON personnalisés, structures de tableaux sur mesure ou modèles de rapports propriétaires que le modèle n’a jamais vus.
- Terminologie ou style propres au domaine - Un format de note médicale, une structure de mémoire juridique ou un style rédactionnel interne qui diffère de l’usage courant.
- Critères subjectifs - Quand la « bonne » réponse dépend de vos préférences et que vous devez les illustrer par des exemples.
- Tâches de production à grande échelle - Quand vous avez besoin de milliers de résultats cohérents et qu'aucune variation entre les appels n'est acceptable.
Voir aussi chaîne de raisonnement formulation de prompts, qui fonctionne aussi bien en zero-shot qu’en few-shot en demandant au modèle de montrer les étapes de son raisonnement. Le Bibliothèque de prompts IA comprend des modèles de prompts zero-shot et few-shot prêts à l’emploi pour les tâches courantes, afin de vous éviter de les rédiger de zéro, et la FAQ Comment bien formuler ma question pour obtenir la meilleure réponse de l’IA ? présente les bases pratiques pour obtenir le résultat attendu dès le premier essai avec des prompts zero-shot.
Exemple de zero-shot
Si vous utilisez AskAI.free, une façon pratique de comprendre le zero-shot consiste à demander à un modèle de vous l’expliquer, puis de donner un exemple concret dans votre propre méthode de travail. Par exemple : "Explique le zero-shot à une personne qui utilise l’IA pour écrire, coder, faire des recherches ou créer des images."
Le terme passe ainsi d’une définition de dictionnaire à un outil d’aide à la décision : vous voyez dans quels cas il influe sur la qualité des instructions, le choix du modèle, la fiabilité des résultats, la confidentialité, le coût ou la quantité de contexte utilisable par l’IA.
Pourquoi le zero-shot est important
Le zero-shot compte, car il change votre façon de choisir, de guider, de comparer les systèmes d’IA ou de leur faire confiance. Comprendre ce terme vous permet de poser de meilleures questions, de repérer plus vite les réponses faibles et de choisir le modèle ou l’outil adapté à la tâche.
Une erreur courante consiste à considérer le zero-shot comme un terme de jargon isolé. Il est généralement lié à des notions voisines comme Utilisation d’outils (appel de fonctions) et Voicecel, consultez-les ensuite pour avoir une vue d'ensemble.
Erreur courante avec le zero-shot
L’erreur la plus courante consiste à employer le terme comme une étiquette sans changer ses pratiques. Quand il est question de zero-shot, demandez-vous ce qui doit changer : le prompt, le modèle, la longueur du contenu fourni, les preuves demandées ou la manière de vérifier la réponse.
Découvrez-le en action - Interrogez l’IA de votre choix sur le zero-shot sur AskAI.free.
Demander à l’IA