零样本学习高度依赖大模型吗？

零样本学习并不严格需要大模型，但大模型的出现显著提升了其有效性。传统方法通过属性-标签关系或知识迁移，无需训练数据即可实现对未见类别的识别。然而，基础模型（大语言模型、视觉语言模型）凭借其内在的知识容量和强大的泛化能力，表现出大幅超越传统方法的性能。

大模型由于其固有的知识容量和模式识别能力，显著增强了有意义零样本推理的能力。小模型在没有特定调优的情况下难以实现良好泛化。虽然并非不可能，但其零样本性能通常较差。性能与模型规模、预训练质量和提示设计敏感性密切相关。

大模型通过直接利用提示或嵌入，使自然语言处理（文本分类、问答）和视觉（目标识别）领域的实用、高性能零样本学习成为可能。它们为标签集庞大或不可预测、收集标注数据不可行的任务提供了可扩展性。通常，达到最佳效果还需要针对性的提示工程或轻量级适配器调优。