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.