Qu'est-ce que le Zero-Shot Prompting
Le Zero-Shot Prompting demande au modèle de résoudre une tâche avec une instruction claire et aucun exemple. Le modèle s'appuie sur ses connaissances générales et ses capacités de suivi d'instructions acquises lors de la pré-formation et de l'alignement.
Zero-Shot est rapide à mettre en place car vous n'avez pas besoin de concevoir ou de curationner des paires d'exemples. Il fonctionne bien pour les tâches générales comme les questions-réponses génériques, la classification simple, la résumé ou la traduction directe, où les instructions seules suffisent généralement.
Qu'est-ce que le Few-Shot Prompting
Le Few-Shot Prompting ajoute un petit nombre d'exemples entrée-sortie à l'instruction pour que le modèle puisse déduire le motif de la tâche à partir de démonstrations concrètes. En pratique, Few-Shot signifie généralement entre deux et dix exemples.
Ces exemples agissent comme un mini-ensemble d'entraînement dans le prompt, guidant la façon dont le modèle devrait interpréter les tâches ambiguës, les formats spécialisés ou le langage spécifique au domaine. Few-Shot est particulièrement utile lorsque vous avez besoin d'un style spécifique, d'un schéma ou d'un comportement nuancé que les instructions génériques ne capturent pas.
Principales différences : Zero-Shot vs. Few-Shot
Le Zero-Shot et le Few-Shot Prompting diffèrent principalement par l'effort de configuration, la précision sur les tâches spécifiques et l'évolutivité sur plusieurs cas d'usage. Les deux reposent sur le même modèle sous-jacent, mais échangent l'effort de conception d'exemples pour un meilleur alignement des tâches.
| Dimension | Zero-Shot | Few-Shot |
|---|---|---|
| Exemples dans le prompt | Aucun | 2–10+ exemples représentatifs |
| Vitesse de configuration | Très rapide; pas de curation d'exemples | Plus lent; les exemples doivent être sélectionnés et maintenus |
| Exigences en matière de données | Aucun exemple étiqueté requis | Nécessite au moins quelques exemples étiquetés |
| Précision sur les tâches étroites | Souvent plus faible ou plus générique | Généralement plus haute et plus cohérente sur les domaines spécifiques |
| Évolutivité entre tâches | Hautement évolutif, facile d'ajouter de nouvelles tâches | Moins évolutif; chaque tâche peut nécessiter ses propres exemples |
Quand utiliser Zero-Shot
Vous devez utiliser le Zero-Shot Prompting lorsque vous avez besoin de rapidité, que vous n'avez pas d'exemples étiquetés et que votre tâche est raisonnablement générale. Ce motif fonctionne bien comme première approche ou référence.
Scénarios typiques de Zero-Shot:
- Questions-réponses générales, résumés simples et classification d'opinions de base.
- Expérimentation rapide lorsque vous explorez encore la forme de la tâche.
- Nouveaux domaines ou langues où vous n'avez pas d'exemples curés.
Quand utiliser Few-Shot
Vous devez utiliser le Few-Shot Prompting lorsque la tâche est spécialisée, sensible au format ou à haut risque, et que vous pouvez fournir de bons exemples. Dans ces cas, les exemples améliorent considérablement la fiabilité par rapport aux instructions pures.
Scénarios courants de Few-Shot:
- Classification ou extraction spécifique au domaine (juridique, médical, financier) où les étiquettes précises et la formulation comptent.
- Tâches avec des schémas stricts, comme l'extraction de JSON structuré à partir de texte désordonné.
- Tâches multilingues ou de localisation où quelques exemples par langue aident à gérer les idiomes et le style.
Exemple : Prompt Zero-Shot vs. Few-Shot
La différence pratique entre Zero-Shot et Few-Shot apparaît clairement lorsque vous comparez les prompts pour la même tâche. Ici, nous classons les tickets d'assistance par intention.
Mauvais prompt – Non structuré
"Regardez ce ticket d'assistance et dites-moi de quoi il s'agit."
Prompt Zero-Shot
"Classez le ticket d'assistance suivant dans l'une de ces catégories: `billing_issue`, `login_problem`, `feature_request`, `bug_report` ou `other`. Ticket: "J'ai essayé de réinitialiser mon mot de passe trois fois aujourd'hui et le lien dit toujours qu'il a expiré." Sortez uniquement le nom de la catégorie."
Prompt Few-Shot
"Classez chaque ticket d'assistance dans l'une de ces catégories: `billing_issue`, `login_problem`, `feature_request`, `bug_report` ou `other`. Sortez uniquement le nom de la catégorie. Exemple 1: Ticket: "Vous m'avez facturé deux fois ce mois-ci pour le même abonnement." Étiquette: `billing_issue` Exemple 2: Ticket: "Chaque fois que je clique sur 'exporter un rapport', rien ne se passe, même après avoir actualisé la page." Étiquette: `bug_report` Exemple 3: Ticket: "Pourriez-vous ajouter le support pour exporter les rapports directement vers Google Sheets?" Étiquette: `feature_request` Classez maintenant ce ticket: "J'ai essayé de réinitialiser mon mot de passe trois fois aujourd'hui et le lien dit toujours qu'il a expiré."
La version Few-Shot montre explicitement le motif, ce qui améliore généralement la qualité de la classification pour les tickets nuancés ou bruyants.
Comment PromptQuorum vous aide
PromptQuorum est un outil de dispatch multi-modèle qui vous permet de tester les prompts Zero-Shot et Few-Shot chez plusieurs fournisseurs en un seul endroit. Vous pouvez envoyer le même prompt basé sur les instructions et le même prompt augmenté par des exemples côte à côte aux modèles comme GPT-4o, Claude Opus 4.7 et Gemini 3.1 Pro.
Dans PromptQuorum, vous pouvez:
- Démarrez avec des prompts Zero-Shot utilisant des frameworks comme Single Step, RTF ou CO-STAR pour des références rapides.
- Passez aux prompts Few-Shot en intégrant des exemples représentatifs dans des frameworks comme SPECS ou le Prompting Guide de Google lorsque vous avez besoin d'un contrôle plus strict.
- Enregistrez les versions Zero-Shot et Few-Shot comme modèles, puis comparez la précision, la latence et les coûts de tokens sur les modèles au fil du temps.
Comment choisir entre Zero-Shot et Few-Shot
- 1Pour les tâches routinières et simples, commencez par Zero-Shot (aucun exemple). Exemple: "Classez cet avis comme positif ou négatif." Si la précision est suffisante, Zero-Shot est plus rapide et moins cher.
- 2Lorsque la performance Zero-Shot est mauvaise (< 80% de précision ou de qualité), ajoutez 2–5 exemples Few-Shot. Montrez au modèle 2–3 avis positifs et 2–3 avis négatifs avec les bonnes étiquettes. Few-Shot enseigne par l'exemple.
- 3Pour les tâches avec des distinctions subtiles ou des motifs rares, ajoutez 5–10 exemples (Few-Shot+). Si votre tâche nécessite de détecter l'ironie, les biais nuisibles ou la nuance spécifique au domaine, plus d'exemples aident.
- 4Choisissez des exemples qui couvrent la plage des entrées que vous attendez. Si vous classez les avis sur les produits, incluez des exemples enthousiastes, tièdes et négatifs. Ne montrez pas seulement les cas faciles.
- 5Mesurez le bénéfice Few-Shot sur un ensemble de test avant de vous y engager en production. Exécutez le même prompt avec 0 exemples et 5 exemples sur 50 cas de test. Si Few-Shot ajoute 10+ points de pourcentage de précision, incluez des exemples. Si le gain est < 5%, restez avec Zero-Shot.
Considérations pour les marchés francophones
En France, en Belgique et au Canada francophone, les équipes préfèrent souvent des workflows structurés et documentés. Lors de la mise en œuvre de Few-Shot Prompting dans des contextes professionnels francophones, documentez clairement vos stratégies d'exemples et vos seuils de précision. Cela facilite l'adoption et l'audit dans les organisations régies par des réglementations strictes.
Avantages comparatifs et cas limites
Avantage Zero-Shot: Idéal pour les prototypes rapides, les nouvelles langues ou domaines, et les cas où vous n'avez pas de données étiquetées.
Avantage Few-Shot: Supérieur pour les tâches sensibles (classification juridique, extraction médicale), les formats stricts (JSON structuré) et les nuances multilingues.
Cas limite: Si votre domaine est très spécialisé et que Few-Shot avec 5–10 exemples n'améliore toujours pas la précision, envisagez le fine-tuning d'un modèle sur des centaines d'exemples (dépassant Few-Shot).