零样本分类
基于预训练大语言模型语义理解能力的文本分类方法，无需针对目标任务收集标注训练数据，仅凭目标类别的文字描述即可判断文本匹配程度，常用BART、RoBERTa等NLI变体模型实现
核心事实
时间轴 (近 90 天)
该方法目前仅在两个公开数据集上验证，实际产线中的复杂噪声和罕见缺陷模式可能带来挑战；规则顺序调优仍需领域知识，自动化搜索最优规则顺序是未来方向。
该框架无需任何标注数据或微调，因为模型参数完全冻结，只需调整提示规则即可适应生产条件变化导致的缺陷模式漂移。
该研究提出了一种无需训练的六类晶圆图缺陷分类框架，利用冻结的大型多模态模型，通过连通域高亮与规则排序提示实现零样本分类。
论文目前仅在检索任务上验证，尚未涉及生成任务或零样本分类。
LLM内容审核对显性脏话、仇恨言论等语义违规较敏感，但对伪装链接、人肉信息等需要外部事实核查的违规类型识别能力不足。
零样本分类的弱点在于对边界模糊、领域专有的类别判断不够稳定，推理成本随流量线性增长，结果可解释性和可复现性较差
零样本模型无需标注数据，只要用自然语言写清楚标签就能给出分类结果
弱监督标签的质量上限取决于零样本模型本身的准确率，若模型系统性出错训练集会继承该偏差
推荐路径是早期用零样本快速起步，中期用零样本输出做弱标注构建初始训练集，成熟期迁移到专用分类器降本增效
当数据充足、类别稳定、成本敏感、流量大时优先训练分类器；当无数据、需快速验证、类别多变时零样本是更合适的起点
还有 7 条时间轴事件
全部知识事实 (17)
零样本学习指模型在推理时不依赖任何该任务的带标签样本，直接基于预训练知识或外部结构信息作出预测
75%已验证零样本分类依托预训练大语言模型如BART、RoBERTa的NLI变体的语义理解能力
75%待验证该研究提出了一种无需训练的六类晶圆图缺陷分类框架，利用冻结的大型多模态模型，通过连通域高亮与规则排序提示实现零样本分类。
50%待验证该框架无需任何标注数据或微调，因为模型参数完全冻结，只需调整提示规则即可适应生产条件变化导致的缺陷模式漂移。
50%待验证该方法目前仅在两个公开数据集上验证，实际产线中的复杂噪声和罕见缺陷模式可能带来挑战；规则顺序调优仍需领域知识，自动化搜索最优规则顺序是未来方向。
50%待验证论文目前仅在检索任务上验证，尚未涉及生成任务或零样本分类。
50%待验证LLM内容审核对显性脏话、仇恨言论等语义违规较敏感，但对伪装链接、人肉信息等需要外部事实核查的违规类型识别能力不足。
50%待验证零样本分类的弱点在于对边界模糊、领域专有的类别判断不够稳定，推理成本随流量线性增长，结果可解释性和可复现性较差
50%待验证零样本模型无需标注数据，只要用自然语言写清楚标签就能给出分类结果
50%待验证弱监督标签的质量上限取决于零样本模型本身的准确率，若模型系统性出错训练集会继承该偏差
50%待验证推荐路径是早期用零样本快速起步，中期用零样本输出做弱标注构建初始训练集，成熟期迁移到专用分类器降本增效
50%待验证当数据充足、类别稳定、成本敏感、流量大时优先训练分类器；当无数据、需快速验证、类别多变时零样本是更合适的起点
50%待验证零样本分类器（如基于CLIP或NLI的方案）允许用户以自然语言描述类别，灵活性更高但通常需要更大的基础模型
50%待验证零样本分类的所有候选项得分之和为 1，候选项越少各项可获得的概率空间越大，因此阈值参数需根据具体类别数量单独校准
50%待验证Laya 采用零样本分类范式，其底层通常基于经过自然语言推理（NLI）任务微调的预训练语言模型
50%待验证研究采用无监督主题建模从评论文本中自动识别讨论主题，再用零样本分类将主题归入五个食物获取维度
50%待验证机器分类结果与人工编码对照达到了85.4%的一致率
50%