Zero-Shot Learning

Zero-Shot beschreibt die Fähigkeit eines Large Language Models, eine Aufgabe korrekt zu lösen, ohne dafür spezifische Beispiele oder Training erhalten zu haben. Man gibt dem Modell lediglich eine Anweisung — und es liefert ein brauchbares Ergebnis basierend auf seinem allgemeinen Vorwissen aus dem Pre-Training.

Zero-Shot ist die einfachste Form des Prompt Engineering: „Übersetze diesen Text ins Englische", „Fasse diesen Artikel in 3 Sätzen zusammen" oder „Klassifiziere diese Bewertung als positiv/negativ". Moderne Frontier-Modelle wie GPT-5.2 und Claude Opus 4.6 erreichen bei vielen Aufgaben im Zero-Shot-Modus bereits sehr gute Ergebnisse.

Im Vergleich zu Few-Shot Learning ist Zero-Shot schneller (weniger Tokens, kein Beispiel-Aufwand), aber weniger konsistent bei komplexen oder formatspezifischen Aufgaben. Die Faustregel: Für einfache, klar beschreibbare Aufgaben reicht Zero-Shot. Sobald ein spezifisches Format, eine bestimmte Tonalität oder komplexe Logik gefragt ist, liefert Few-Shot bessere Ergebnisse.

Zero-Shot Transfer — wenn ein Modell Aufgaben löst, auf die es nie explizit trainiert wurde — ist ein Zeichen für echtes Sprachverständnis und einer der Gründe, warum LLMs so vielseitig einsetzbar sind. Je größer das Modell, desto besser seine Zero-Shot-Fähigkeiten.