Zero-Shot
Zero-Shot bedeutet, ein Modell eine Aufgabe allein anhand einer Anweisung erledigen zu lassen, ohne ausgearbeitete Beispiele im Prompt und ohne aufgabenspezifisches Training. Das Modell verlässt sich nur auf das, was es schon gelernt hat.
Auch: zero-shot learning, zero-shot prompting
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
Ein Zero-Shot-Prompt beschreibt die Aufgabe und gibt die Eingabe, sonst nichts. „Übersetze diesen Satz ins Deutsche“ oder „Ist diese Bewertung positiv oder negativ?“ sind Zero-Shot-Prompts. Die meiste alltägliche Nutzung eines Chat-Assistenten ist Zero-Shot.
Zero-Shot, One-Shot und Few-Shot
Die Begriffe zählen Beispiele. Zero-Shot nutzt keines, One-Shot eines und Few-Shot-Prompting mehrere. Beispiele hinzuzufügen hilft meist, wenn das Ausgabeformat ungewöhnlich oder die Aufgabe mehrdeutig ist, auf Kosten von mehr Input-Tokens bei jedem Aufruf.
Zero-Shot-Reasoning
Ein Paper von Kojima und Kollegen von 2022 zeigte, dass eine zusätzliche Zeile, „Let's think step by step“ (Lass uns Schritt für Schritt denken), große Modelle bei Denkaufgaben besser machte, ganz ohne handgeschriebene Beispiele. Sie nannten das Zero-shot-CoT, eine Zero-Shot-Form des Chain-of-Thought-Promptings.
Eine andere Bedeutung auf Leaderboards
Außerhalb des Promptings beschreibt Zero-Shot auch Evaluation: wie ein Modell bei Aufgaben oder Datensätzen abschneidet, auf denen es nicht trainiert wurde. Embedding-Leaderboards wie MTEB nutzen das Wort in diesem Sinn, ein Zero-Shot-Wert dort ist also eine Aussage über die Überschneidung zwischen Trainings- und Testdaten, nicht über Prompts. Ein Modell, das die Trainingsdaten eines Benchmarks gesehen hat, kann darauf gut abschneiden, ohne ebenso gut zu verallgemeinern. Siehe Benchmark-Kontamination.
Warum es wichtig ist
Mit Zero-Shot zu beginnen ist die günstigste Baseline. Wenn es funktioniert, sparst du dir die Pflege von Beispielen. Wenn es scheitert, sagt dir das Scheitern, was Beispiele oder weiteres Prompt Engineering beheben müssen.
Verwandte Begriffe
- Few-Shot Prompting
- Few-Shot Prompting (Prompting mit wenigen Beispielen) bedeutet, einem Sprachmodell im Prompt eine Handvoll durchgearbeiteter Beispiele einer Aufgabe zu geben, damit es das Muster ohne erneutes Training auf eine neue Eingabe übertragen kann.
- Chain-of-Thought
- Chain-of-Thought (CoT, Gedankenkette) ist eine Prompting-Methode, bei der ein Sprachmodell vor seiner endgültigen Antwort Zwischenschritte seines Denkens ausschreibt, was Ergebnisse bei Mathematik, Logik und anderen mehrstufigen Aufgaben meist verbessert.
- Prompt Engineering
- Prompt Engineering ist die Praxis, die Anweisungen und Beispiele für ein Sprachmodell so zu schreiben, zu strukturieren und zu testen, dass es die Ausgabe liefert, die eine Anwendung braucht, ohne die Gewichte des Modells zu ändern.
- MTEB
- MTEB, der Massive Text Embedding Benchmark, ist ein öffentlicher Benchmark mit Leaderboard, der Text-Embedding-Modelle über viele Aufgabentypen wie Retrieval, Clustering, Klassifikation und Reranking bewertet, auf vielen Datensätzen und in vielen Sprachen.
- Benchmark-Kontamination
- Benchmark-Kontamination (Benchmark Contamination) liegt vor, wenn ein Modell die Testfragen oder Antworten eines Benchmarks schon im Training gesehen hat, sodass sein Ergebnis überzeichnet, wie gut es mit neuen Aufgaben derselben Art umgeht.