本文へスキップ
ReviewRamble

週刊ブリーフ

AIのレビューを、あなたの受信箱に。

  • ツール、モデル、MCPサーバー、リポジトリの新しいレビュー(結論を最初に)
  • 変更があったときに再確認した価格と評価
  • 公開された新しい分析記事

モデル、エージェント、MCPサーバー、そして本当に時間をかける価値のあるツール。

週に1通です。配信停止は各メールのリンクからできます。 メールアドレスの利用について

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。

別名: zero-shot learning, zero-shot prompting

執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法

Zero-shotのプロンプトは、タスクを説明して入力を与えるだけで、それ以上は何もありません。「この文をドイツ語に翻訳して」や「このレビューは肯定的か否定的か」はzero-shotのプロンプトです。チャットアシスタントの日常的な使い方のほとんどはzero-shotです。

Zero-shot、one-shot、few-shot

これらの用語は例の数を表します。Zero-shotは例を使わず、one-shotは1つ、few-shot promptingは複数を使います。出力形式が珍しい場合やタスクがあいまいな場合は、例を加えると通常は役立ちますが、呼び出しのたびに入力トークンが増えます。

Zero-shot推論

Kojimaらによる2022年の論文は、「Let's think step by step」という1行を加えるだけで、手書きの例なしに大規模なモデルの推論タスクの成績が上がることを示しました。彼らはこれをZero-shot-CoTと呼びました。chain-of-thoughtプロンプトのzero-shot版です。

リーダーボードでの別の意味

プロンプト以外では、zero-shotは評価も表します。学習していないタスクやデータセットでモデルがどう振る舞うかです。MTEBのような埋め込みのリーダーボードはこの意味でこの言葉を使っているため、そこでのzero-shotの数字は、プロンプトについてではなく、学習データとテストデータの重なりについての記述です。ベンチマークの学習データを見たモデルは、同じほど汎化していなくても、そのベンチマークで高いスコアを出すことがあります。ベンチマーク汚染をご覧ください。

なぜ重要か

Zero-shotから始めるのが最も安上がりなベースラインです。うまくいけば、例を保守する手間が省けます。うまくいかなければ、その失敗から、例やさらなるプロンプトエンジニアリングで何を直すべきかがわかります。

関連用語

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。
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。
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。
MTEB
MTEB(Massive Text Embedding Benchmark)とは、テキスト埋め込みモデルを、検索、クラスタリング、分類、リランキングなど多くの種類のタスクで、多数のデータセットと言語にわたって評価する公開ベンチマークとリーダーボードです。
ベンチマーク汚染
ベンチマーク汚染(benchmark contamination)とは、モデルが学習中にベンチマークのテスト問題や答えを見てしまっている状態です。そのベンチマークでのスコアは、同じ種類の新しい問題をどれだけうまく扱えるかを過大に示すことになります。

出典