Zero-shot learning (ZSL) 允许模型执行任务，而无需事先对来自这些特定任务的示例进行训练。在跨语言上下文中，这意味着模型可以理解并生成一种语言的语言，即使它没有被显式地训练在该特定语言上。模型不依赖于并行训练数据，而是利用共享的语义结构、公共表示或不同语言之间的基础关系来推断含义并提供输出。
在实践中，跨语言任务的零射学习通常涉及利用与语言无关的嵌入或特征。例如，如果一个模型是在英语文本上训练的，然后负责翻译西班牙语句子，它将利用其对英语训练中的语义概念的理解来对西班牙语输入进行有根据的猜测。例如，如果模型知道单词 “dog” 在英语中的含义，则可以根据两种语言之间的关系推断西班牙语单词 “perro” 可能具有相似的含义。这种泛化允许开发人员构建支持多种语言的应用程序，而无需为每种可能的语言对提供大量数据集。
实现零快照学习的有效方法是通过跨语言嵌入或在共享向量空间中表示语言的预训练模型。当模型以新语言呈现输入时，它会将输入与从其他语言学习的类似概念对齐。例如，多语言BERT或xlm-r等模型利用这种嵌入来无缝地理解和处理跨语言的任务。因此，zero-shot learning使开发人员能够创建更多功能的应用程序，例如聊天机器人或翻译工具，能够在各种语言环境中运行，而无需对每个特定语言对进行详尽的预训练。