Zero-shot learning은 AI 모델이 예시로 명시적으로 트레이닝된 적 없는 개념을 포함한 작업을 수행하거나 콘텐츠를 생성하는 능력을 가리키며, 암기보다는 추론과 패턴 전이로 더 넓은 트레이닝에서 일반화해 새 시나리오를 처리합니다. Zero-shot 역량 모델은 레이블된 트레이닝 예시로 한 번도 본 적 없는 개념, 스타일, 시나리오를 묘사하는 프롬프트에 의미 있게 반응할 수 있으며, 관련 지식을 끌어 그럴듯한 결과를 냅니다.

개념은 소량의 예시로 반응을 유도하는 few-shot learning, 작업별 데이터로 모델 가중치를 조정하는 파인튜닝과 대비됩니다. Zero-shot 성능은 추가 트레이닝 없이 새 상황에 학습된 지식을 유연히 적용하는 모델의 일반 추론·일반화 역량의 지표입니다. 이미지·비디오 생성에서 zero-shot 역량은 모델이 트레이닝 데이터에 이산 예시로 없었던 새 프롬프트 묘사, 특이한 개념 조합, 특정 지시에 기반해 관련 시각·텍스트 패턴에서 일반화해 해석·생성할 수 있음을 의미합니다.

Zero-shot learning을 이해하면 현대 AI 생성 모델의 인상적인 유연성과 특유의 실패 모드 둘 다 설명하는 데 도움이 됩니다. 모델이 특이한 프롬프트를 잘 처리하면 트레이닝에서 효과적으로 일반화하는 것이고, 매우 새롭거나 모순된 입력에 혼란스럽거나 비일관된 결과를 내면 일반화가 지원하는 범위를 넘어선 것입니다. 이 이해는 언제 특이한 프롬프트로 모델을 밀어붙이고 언제 복잡한 새 요청을 더 익숙한 구성 단계로 나눌지 알려줍니다.