零样本、少样本、微调：一张“三岔口”图，带你选出最适合的大模型落地方式

> 阅读提示：5 张图、3 张表、1 段代码，一次性搞懂 Zero-shot vs Few-shot vs Fine-tune 的数据门槛、成本、效果全差异。

> 文末附「选型 cheat-sheet」，收藏即可直接用。

1. 开场白：为什么你总在"炼模型"的路上踩坑？

| 老板：客户只给了 30 条样本，下周要 demo！ |

| 我：那就 Fine-tune 吧！→ 8 张 A100 跑 3 天，结果过拟合。 |

| 老板：为什么不用 Few-shot？ |

根源：分不清 Zero-shot / Few-shot / Fine-tune 的适用边界与成本差异。

下面用"同一件任务"——电商评论情感分析——做对照实验，让你一眼看懂怎么选。

2. 三招核心定义（记住一张图就够）

3. 同台 PK：同一份评论数据，三种打法效果对比

3.1 数据集 & 实验设置

• 任务：中文电商评论情感三分类（正 / 中 / 负）
• 测试集：固定 2000 条
• 模型：Qwen-7B-Chat
• 评估：F1-macro

结论：数据＜100 条→Few-shot 性价比最高；数据＞1k→再考虑 Fine-tune。

4. 成本拆解：不止钱，还有"时间+人力"

4.1 显性成本

4.2 隐性成本

5. 适用场景一张表（直接抄作业）

6. 高级技巧：把效果再榨干 10%

6.1 Zero-shot → 加入 CoT 思维链

prompt 加一句：

"先逐步理解评论，再输出情感"

→ F1 绝对值 +4.3%

6.2 Few-shot → 动态示例

先用向量检索 top-5 相似评论，再塞进 prompt，→ F1 +6.7%，且无需额外标注

6.3 Fine-tune → LoRA/QLoRA

可训练参数量↓99%，推理延迟无损，单卡 A100 够跑 70B

7. 懒人选型 Cheat-Sheet（保存即可）

数据量 方案 成本 效果 周期

0 条 Zero-shot 0 元 70%+ 10 min

2~100 条 Few-shot 十元级 80%+ 30 min

1k~10k 条 Fine-tune 千元级 90%+ 3~5 天

10w 条 继续微调 万元级 95%+ 1~2 周

8. 结语：一句话记住三岔口

数据不够→Few-shot 先顶着；数据够了→Fine-tune 榨干红利；永远可先用 Zero-shot 探路。