هندسة المطالبات تحديث 2026

التوجيه دون أمثلة (Zero-Shot)

التعريف

مطالبة النموذج بأداء مهمة دون أي أمثلة محلولة، اعتمادًا كليًا على التعليمات وعلى المعرفة التي اكتسبها النموذج في تدريبه المسبق.

في المطالبة دون أمثلة، لا يُعطى النموذج سوى وصف للمهمة. وقد أثبت Brown et al. (2020) أن النماذج الكبيرة بما يكفي تؤدي ذلك بشكل جيد على نحو مفاجئ، وبيّن Wei et al. (2022) أن الضبط على التعليمات (instruction tuning)، أي الضبط الدقيق على مهام كثيرة مصوغة في صورة تعليمات، يحسّن بشكل كبير الأداء دون أمثلة في المهام غير المرئية سابقًا.

المطالبة دون أمثلة سريعة ونظيفة، لكنها أقل موثوقية مع التنسيقات غير المعتادة أو الحالات الحدّية، حيث تفيد بضعة أمثلة.

المراجع

مصادر أولية ومحكّمة وأرشيفية لهذا التعريف.

Language Models are Few-Shot Learners
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., et al. (2020). Advances in Neural Information Processing Systems 33 (NeurIPS 2020).
Finetuned Language Models Are Zero-Shot Learners
Wei, J., Bosma, M., Zhao, V. Y., Guu, K., Yu, A. W., Lester, B., Du, N., Dai, A. M., & Le, Q. V. (2022). International Conference on Learning Representations (ICLR 2022).

مداخل القواميس والموسوعات

استشهد بهذا المدخل

MultipleChat. «المطالبة دون أمثلة (Zero-Shot)». مسرد MultipleChat للذكاء الاصطناعي والنماذج اللغوية الكبيرة، 2026. https://multiple.chat/ai-glossary/zero-shot

مصطلحات ذات صلة

شاهد ذلك عمليًا

شغّل المطالبة نفسها على ChatGPT وClaude وGemini وGrok وPerplexity جنبًا إلى جنب — مع استخدام ملفاتك سياقًا وإجابات يمكنك مقارنتها والتحقق منها.

جرّب MultipleChat مجانًا

تابع التعلّم

اطّلع على الخطط المدفوعة