NLP全数据分类器需要大量标记示例，但在数据有限的领域中不切实际。少样本学习方法通过对比学习技术，在每个类别只需20个示例即可有效。大型语言模型如GPT-4也可在每个类别只有1-5个示例的情况下运行。本研究在Banking77数据集上评估了这些方法的性能与成本之间的权衡，并提供了两种额外的方法来改善研究结果。同时，提供了一个人工专家策划的Banking77子集和错误分析，以激发未来的研究。