在为零次学习任务选择模型时，一个关键的考虑因素是模型能够有效地从可见类推广到不可见类。在零射学习中，目标是从模型尚未明确训练的类别中分类实例。这要求模型利用来自已知类别的知识，并将其与新的、看不见的类别相关联。例如，如果一个模型已经被训练来识别像猫和狗这样的动物，它应该能够通过理解像哺乳动物或有四条腿这样的共同属性来识别一匹马。因此，选择一个能够很好地捕获和理解类之间关系的模型是至关重要的，通常是通过语义表示。
另一个重要因素是用于训练模型的数据的丰富性和相关性。通常以词嵌入或属性向量等形式表示的语义信息应该是全面的，并反映可见和不可见类的特征。例如，如果模型是在具有各种动物物种的详细属性的数据集上训练的，则它可以利用该属性知识来对未知物种进行有根据的猜测。模型选择应侧重于那些具有有效整合此类外部知识的机制的模型，从而使它们能够弥合已知实例和新实例之间的差距。
最后，可扩展性和计算效率是在选择零射学习模型时要牢记的实际考虑因素。根据应用程序的不同，所选择的模型不仅应在零射击任务上表现良好，而且还应能够处理大型数据集并在合理的时间范围内交付结果。例如，使用严重依赖深度学习的模型可能提供高准确性，但可能是资源密集型的，这可能是实时应用的限制。因此，平衡性能与效率有助于确保模型适合手头任务的特定要求。