GPT-3 深度探討的第二部分超越設置，進入真正讓人們重新思考 NLP 的結果。這是論文開始堆疊基準的地方：翻譯、問答、完形填空、Winograd 風格的常識，以及那些將定義未來幾年 LLM 研究的新興推理的早期跡象。始終的框架是小樣本，意即沒有梯度更新、沒有特定任務的微調，只有提示。

使這次講解有價值的是，它不僅解釋了哪些數字上升，還解釋了 OpenAI 選擇如何測量它們。每個基準的零樣本、單樣本和小樣本列講述三個不同的故事，解釋並不總是顯而易見的。對於語音 AI 從業者來說，可轉移的想法是規模加上提示可以替代大量特定任務的工程，這是目前驅動語音 LLMs 和指令調整 TTS 的相同下注。把這個作為三部分系列的中間章節加入待看清單，按順序觀看效果最佳。