Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

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.

Aussi appelé : zero-shot learning, zero-shot prompting

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

Un prompt zero-shot décrit la tâche et fournit l'entrée, rien de plus. « Traduisez cette phrase en allemand » ou « Cet avis est-il positif ou négatif ? » sont des prompts zero-shot. L'essentiel de l'usage quotidien d'un assistant de chat relève du zero-shot.

Zero-shot, one-shot et few-shot

Ces termes comptent les exemples. Le zero-shot n'en utilise aucun, le one-shot un seul et le few-shot prompting plusieurs. Ajouter des exemples aide généralement quand le format de sortie est inhabituel ou la tâche ambiguë, au prix de davantage de tokens d'entrée à chaque appel.

Raisonnement zero-shot

Un article de 2022 de Kojima et ses collègues a montré qu'ajouter une seule ligne, « Let's think step by step », améliorait les grands modèles sur les tâches de raisonnement sans aucun exemple écrit à la main. Ils ont appelé cela Zero-shot-CoT, une forme zero-shot du prompting chain-of-thought.

Un sens différent dans les classements

En dehors du prompting, le zero-shot décrit aussi l'évaluation : la performance d'un modèle sur des tâches ou des jeux de données sur lesquels il n'a pas été entraîné. Les classements d'embeddings comme MTEB emploient le mot dans ce sens : un chiffre zero-shot y est donc une indication sur le recoupement entre données d'entraînement et données de test, pas sur les prompts. Un modèle qui a vu les données d'entraînement d'un benchmark peut y obtenir un bon score sans aussi bien généraliser. Voir la contamination des benchmarks.

Pourquoi c'est important

Commencer en zero-shot est la référence la moins coûteuse. Si cela fonctionne, vous évitez d'entretenir des exemples. Si cela échoue, l'échec vous indique ce que des exemples ou un travail supplémentaire de prompt engineering doivent corriger.

Termes liés

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.
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.
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.
MTEB
MTEB, le Massive Text Embedding Benchmark, est un benchmark public accompagné d'un classement qui note les modèles d'embedding de texte sur de nombreux types de tâches, comme la recherche, le clustering, la classification et le reranking, à travers de nombreux jeux de données et langues.
Contamination des benchmarks
Il y a contamination d'un benchmark quand un modèle a vu ses questions ou ses réponses de test pendant l'entraînement, si bien que son score sur ce benchmark surestime sa capacité à traiter de nouveaux problèmes du même type.

Sources