在模型规模进步的刺激下，大型语言模型（LLMs）已经展示了执行各种自然语言处理（NLP）任务的能力，即不需要针对下游数据进行调整。最近，ChatGPT的首次亮相引起了自然语言处理（NLP）界的极大关注，因为它可以对人类的输入产生高质量的反应，并根据后续的对话对以前的错误进行自我纠正。
然而，ChatGPT是否能作为一个通用的模型，可以零次（zero-shot）地执行许多NLP任务，目前还不得而知。
在这项工作中，作者通过对涵盖7个代表性任务类别的20个流行的NLP数据集进行评估，实证分析了ChatGPT的零次学习能力。通过广泛的实证研究，作者表明了当前版本的ChatGPT的有效性和局限性，发现ChatGPT在许多有利于推理能力的任务上表现良好（例如，算术推理），而在解决诸如序列标签等特定任务时，它仍然面临着挑战。此外，作者还通过定性案例研究进行了深入分析。
