零样本

不给新任务或新环境任何训练样本，模型直接上手完成。

零样本原本是机器学习里的概念：模型测试时要识别训练中从没见过的类别，靠属性、文字描述等辅助信息把已学知识迁移过去，2009 年 Palatucci 等人的 NIPS 论文使用了「zero-shot learning」这一说法。到了大模型和具身智能时代，含义扩展为「新任务、新物体或新场景不再采数据、不再微调，拿来就用」。例如通用策略在没见过的厨房里直接开抽屉，就叫零样本泛化。它与少样本（给几条示例）相对，常用来衡量机器人基础模型的泛化能力。读论文要留意：有的「零样本」只指场景没见过，任务类型训练时其实见过。

例子Robot Utility Models 为开柜门、开抽屉等 5 类任务各训练一个策略，不再采数据也不微调，直接部署到没见过的新环境，报告平均成功率约 90%。

也叫

零样本泛化、零次学习、零样本学习、Zero-shot Learning、Zero-shot Generalization

相关

少样本、泛化、分布外、开放词汇、微调、通用策略（通才策略）

来源

Zero-shot learning - Wikipedia
Robot Utility Models: General Policies for Zero-Shot Deployment in New Environments