这个GPT-3深度评论的第二部分超越了设置，进入了实际使人们重新思考NLP的结果。这是论文开始堆积基准的地方：翻译、问答、完形填空、Winograd风格的常识推理，以及早期新兴推理的迹象，这将定义未来几年LLM研究。整个框架都是少样本的，意味着没有梯度更新，没有任务特定的微调，只有提示。

这个演练之所以有价值，是因为它不仅解释了哪些数字上升，还解释了OpenAI如何选择测量它们。零样本、一样本和少样本列为每个基准讲述三个不同的故事，解释并不总是显而易见的。对于语音人工智能从业者来说，可转移的想法是规模加上提示可以替代许多任务特定工程，这是现在推动语音LLMs和指令调优TTS的相同赌注。将其作为三部分系列的中间章节排队，按顺序观看效果最好。