Few-shot improves accuracy by ≥ 5 pt.
Experiment · 2026-11-02
Few-shot vs zero-shot for review summarization
Tiga contoh few-shot menaikkan accuracy 6.2 poin dan menurunkan latency 14%, tanpa menambah biaya berarti.
3-shot prompt: 91.4% accuracy vs 85.2% baseline (+6.2 pt).
Output lebih pendek dan konsisten, jadi p50 latency turun dari 950 ms ke 820 ms.
Chain-of-thought gagal (timeout) di input > 4k token. Tidak direkomendasikan untuk batch.
Question
Apakah contoh few-shot cukup untuk menggantikan fine-tuning di task ringkasan review?
Chain-of-thought beats few-shot.
Few-shot matches fine-tuned model.
Setup
Semua variant memakai dataset, model, dan seed yang sama.
- Model
- claude-sonnet-5-5
- Temperature
- 0.2
- Samples
- 1,200
- Seed
- 42
- Dataset
- data/reviews-v3.jsonl
- Metric
- normalized EM
How to reproduce
- Install
pip install -r requirements.txt - Run all variants
python run.py --all --n 1200 - Results
Written to
results.csvandrun.log.
Prompt change
Results
n = 1,200 per variant.
| Variant | Accuracy | p50 latency | Cost / 1k |
|---|---|---|---|
| Zero-shot (baseline) | 85.2% | 950 ms | $3.10 |
| 3-shot | 91.4% | 820 ms | $3.10 |
| Fine-tuned | 93.1% | 700 ms | $4.80 |
| Chain-of-thought | — | timeout | — |
Accuracy by variant
3-shot output breakdown
- Correct 91%
- Partial 6%
- Wrong 3%
Sample output
Run log excerpt (run.log)
Conclusion
Few-shot adalah default terbaik untuk task ini: hampir menyamai fine-tuned model (−1.7 pt) dengan biaya 35% lebih rendah dan tanpa pipeline training.
Hasil H3 belum bisa disimpulkan karena hanya satu seed. Perlu diulang dengan 3 seed sebelum keputusan final.
Satu dataset, bahasa Inggris saja, satu seed.
Next steps
- Pilih 3-shot sebagai default
- Ulangi dengan 3 seed
- Uji dataset bahasa Indonesia
Files
File mentah di folder ini. Jangan diedit setelah run.