Few-shot プロンプティング
Few-shot プロンプティング(few-shot prompting)とは、タスクの具体例をいくつかプロンプトの中で言語モデルに示し、再学習なしに新しい入力に対してそのパターンをまねさせる方法です。
別名: in-context learning, few-shot, multishot prompting
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
few-shot のプロンプトでは、モデルに入力と出力のペアをいくつか見せてから新しい入力を与え、パターンの続きを完成させます。モデルの重みは変わりません。モデルはコンテキスト内の例からタスクを読み取ります。そのため、この能力は in-context learning(文脈内学習)とも呼ばれます。
言葉の由来
この考え方は、GPT-3 の論文「Language Models are Few-Shot Learners」で広まりました。著者らは、勾配の更新もファインチューニングも行わずに、各タスクとその実例をプロンプト内のテキストだけで示して、GPT-3 を多くのタスクに適用しました。そして、モデルを大きくすると、この few-shot の性能が大きく向上したと報告しています。
例
サポートチケットを分類するなら、プロンプトに 3 件のチケットを、それぞれのラベル(billing、bug、account)とともに並べ、最後にラベルのない 4 件目のチケットを置きます。モデルは同じ形式で、同じラベルのどれかを答えることが期待されます。
なぜ重要か
形式や口調を示すには、長い説明よりも例のほうがわかりやすいことがよくあります。Anthropic のプロンプトのガイドは、例を、出力の形式、口調、構成を導く最も信頼できる方法の 1 つと呼んでいます。例はプロンプトエンジニアリングの標準的な要素です。
ゼロショットとの違い
ゼロショットのプロンプトは、例なしで指示だけを与えます。one-shot は例を 1 つ、few-shot は例をいくつか与えます。
限界
例は呼び出しのたびに入力トークンを消費します。モデルが長さや言い回しなど例の表面的な特徴をまねることがあるので、例には変化をつけるべきです。また、few-shot プロンプティングでは、モデルが持っていない事実を教えることはできません。その場合は検索拡張生成かファインチューニングを検討してください。
関連用語
- Zero-shot(ゼロショット)
- Zero-shot(ゼロショット)とは、プロンプトに実例を含めず、タスク固有の学習もせずに、指示だけでモデルにタスクを行わせることです。モデルは、すでに学習したことだけに頼ります。
- プロンプトエンジニアリング
- プ ロンプトエンジニアリング(prompt engineering)とは、モデルの重みを変えずに、アプリケーションが必要とする出力を言語モデルが生成するよう、与える指示と例を書き、構成し、テストすることです。
- Chain-of-thought
- Chain-of-thought(CoT、思考の連鎖)とは、言語モデルが最終的な回答の前に中間の推論の手順を書き出すプロンプトの手法です。数学、論理、その他の複数の手順を要する問題で結果がよくなる傾向があります。
- ファインチューニング
- ファインチューニング(fine-tuning)とは、事前学習済みのモデルを、より小さなタスク特化のデータセットでさらに学習させることです。一から学習させることなく、モデルに特定の技能、形式、口調、分野を身につけさせます。
- システムプロンプト
- システムプロンプト(system prompt)とは、アプリケーションがユーザーのメッセージより前に言語モデルに送る指示のまとまりです。会話全体を通じたモデルの役割、ルール、口調、出力形式を設定します。