基础概念

上下文学习

In-Context Learning (ICL)

不改动模型参数,只靠提示里给几个例子,就能让模型临时学会新任务。

又称 ICL 上下文内学习 情境学习

本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正

01 详细解释

你把「输入 → 输出」的样例写进提示词,模型会在当前这次推理里归纳出规律,接着处理新问题。权重一个字节都没变,能力只存在于这次上下文里,换个会话就消失。

它是 few-shot 有效的原因,也是为什么示例的写法、顺序、格式会明显影响结果。想稳定复用,通常要把示例固化成模板,或者干脆做微调,而不是每次临时拼。

✦举个例子

提示里放三条「评论 → 正向/负向」的标注,再给第四条评论,模型就能接着判。

✓实战提示

示例尽量覆盖边界情况并固定输出格式;示例顺序一换结果就波动时,该上评测集了。

02 什么时候会碰到它
刚上手大模型、看文档或教程时

这些词几乎出现在每一篇入门材料里:token 决定成本,上下文窗口决定能塞多少,幻觉决定你敢不敢直接信。先把它们认全,后面读选型、读架构才不卡壳。

03 和这几个词怎么区分
04 接着读这几篇

小7分享网 · 聚焦 AI 的实用博客

每天一篇,跟进 AI 行业动态、实测新工具、拆解实战教程。不堆术语,不炒概念,只写真正用得上的内容。

浏览全部文章关于本站

欢迎回来

登录 小7分享网,继续你的精彩

还没有账号?立即注册

忘记密码 ?

创建账号

注册后即可体验完整功能

已有账号?直接登录

我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活