某新創公司正在開發一套 AI 客服系統，由於產品剛上線，目前僅能蒐集到少量的標準問答範例。技術團隊希望在資料有限的情況下，仍能有效提升模型回應品質，並評估不同方法對開發成本與彈性的影響。請問下列對少樣本提示（Few-shot Prompting）與少樣本微調（Few-shot Fine-tuning）兩種方法的比較，何者最為正確？
答案 （B）
核心概念
兩種方法的本質差異在於「有沒有改動模型權重」。少樣本提示把範例放進提示中，模型在推論當下參照，完全不訓練——成本低、改起來快、隨時可調整。少樣本微調則是拿少量資料實際訓練模型，效果可能更穩定，但資料太少時模型很容易把那幾筆背起來（過擬合），泛化到新問題反而變差，因此需要謹慎處理（如降低學習率、早停、資料增強）。
答題技巧
快速判斷技巧：比較型題目選那個「兩邊各說一個特性、語氣有分寸」的選項。含有「必然」「本質相同」「皆已無效益」等絕對用語的先刪。
易錯陷阱：(A) 前半句方向正確（樣本少確實容易過擬合），後半句用「必然」「無法使用」把話說死了。這種「對一半」的選項要讀完整句再判斷。