小样本学习是机器学习的一个子领域，旨在解决在数据量较少的情况下进行有效学习和模型训练的问题，其利用先验知识，能够快速泛化至仅包含少量监督样本的新任务中 。随着大型语言模型的发展，小样本学习已成为提示工程中的关键技术 。
其核心研究方法包括基于度量学习、元学习、图神经网络和模型微调等 。该技术广泛应用于计算机视觉、自然语言处理、医疗保健和网络安全等领域 ，核心价值在于降低对大规模标注数据的依赖，但也面临因训练数据有限而易过拟合等挑战 。小样本学习的提出，最早源自生物认知科学领域 。在工业界已有成功的落地实践，例如在美团的业务场景中，小样本学习被应用于医美题材分类、攻略识别等任务 。
2020年，相关综述论文对其进行了正式定义，并将方法分为数据、模型和算法三类 。随后研究持续活跃，例如2024年CVPR接收的基于语义进化的小样本学习算法 、2024年发表于Nature子刊的蛋白质语言模型小样本学习方法 以及2025年提出的多模态Few-shot 3D分割模型 。2025年的研究在视觉-语言模型适配方面也取得了新进展 。2026年，小样本学习的研究前沿正进一步拓展至与大语言模型及智能体系统的结合 。
想要了解更多“小样本学习”的信息，请点击：小样本学习百科
