Few-shot prompting
Le few-shot prompting (prompting par quelques exemples) consiste à donner à un modèle de langage une poignée d'exemples résolus d'une tâche dans le prompt, pour qu'il reproduise le schéma sur une nouvelle entrée sans aucun réentraînement.
Aussi appelé : in-context learning, few-shot, multishot prompting
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Dans un prompt few-shot, vous montrez au modèle plusieurs paires d'entrée et de sortie, puis vous lui donnez une nouvelle entrée et le laissez compléter le schéma. Les poids du modèle ne changent pas. Il saisit la tâche à partir des exemples présents dans son contexte, c'est pourquoi cette capacité est aussi appelée apprentissage en contexte (in-context learning).
D'où vient le terme
L'idée a été popularisée par l'article sur GPT-3, « Language Models are Few-Shot Learners ». Les auteurs ont appliqué GPT-3 à de nombreuses tâches sans mise à jour des gradients ni fine-tuning, en décrivant chaque tâche et ses démonstrations uniquement sous forme de texte dans le prompt. Ils ont constaté qu'agrandir le modèle améliorait nettement ces performances few-shot.
Exemple
Pour classer des tickets de support, un prompt peut présenter trois tickets, chacun suivi de son étiquette (facturation, bug, compte), puis un quatrième ticket sans étiquette. On attend du modèle qu'il réponde avec l'une de ces étiquettes, dans le même format.
Pourquoi c'est important
Les exemples montrent souvent le format et le ton plus clairement qu'une longue description. Le guide de prompting d'Anthropic les présente comme l'un des moyens les plus fiables d'orienter le format, le ton et la structure de la sortie. Ils font partie des outils standard du prompt engineering.
Différence avec le zero-shot
Un prompt zero-shot ne donne qu'une instruction, sans exemple. Le one-shot donne un seul exemple. Le few-shot en donne plusieurs.
Limites
Chaque exemple coûte des tokens d'entrée à chaque appel. Le modèle peut copier des détails superficiels des exemples, comme leur longueur ou leur formulation : les exemples doivent donc varier. Le few-shot prompting ne peut pas non plus apprendre au modèle des faits qu'il ignore ; pour cela, envisagez la génération augmentée par récupération ou le fine-tuning.
Termes liés
- Zero-shot
- Le zero-shot consiste à demander à un modèle d'effectuer une tâche à partir d'une simple instruction, sans exemple travaillé dans le prompt ni entraînement propre à la tâche. Le modèle ne s'appuie que sur ce qu'il a déjà appris.
- Prompt engineering
- Le prompt engineering (ingénierie de prompts) consiste à rédiger, structurer et tester les instructions et les exemples donnés à un modèle de langage pour qu'il produise la sortie dont une application a besoin, sans modifier les poids du modèle.
- Chain-of-thought
- Le chain-of-thought (CoT, chaîne de pensée) est une méthode de prompting dans laquelle un modèle de langage écrit des étapes de raisonnement intermédiaires avant sa réponse finale, ce qui tend à améliorer les résultats en mathématiques, en logique et sur d'autres problèmes en plusieurs étapes.
- Fine-tuning
- Le fine-tuning (ajustement fin) est la poursuite de l'entraînement d'un modèle pré-entraîné sur un jeu de données plus petit et propre à une tâche, pour que le modèle adopte une compétence, un format, un ton ou un domaine particuliers sans être entraîné de zéro.
- Prompt système
- Un prompt système (system prompt) est le bloc d'instructions qu'une application envoie à un modèle de langage avant les messages de l'utilisateur. Il fixe le rôle, les règles, le ton et le format de sortie du modèle pour toute la conversation.