Each language version is independently generated for its own context, not a direct translation.
这篇论文就像是在探讨一个非常实际的问题：当软件开发团队面对一堆新任务时，能不能让“超级 AI 助手”来帮忙估算工作量，而且不需要先给它看很多以前的例子？
在软件开发中，团队通常用“故事点”（Story Points）来给任务打分，就像给电影打分一样（1 分很简单，10 分很难）。以前，这需要大家开会讨论（像玩扑克牌一样），既主观又耗时。后来人们尝试用传统的机器学习模型来预测，但这就像教一个学生做题，必须先给他看几百道带答案的真题，他才能学会。如果是一个全新的项目（没有历史数据），这些模型就“抓瞎”了。
这篇论文就是测试**大语言模型（LLM）**能不能解决这个问题。研究人员找了 4 个不同的 AI 模型（DeepSeek, Kimi, Gemini, OpenAI），在 16 个真实软件项目上做了实验。
我们可以把这篇论文的核心发现，通过几个生动的比喻来讲清楚：
1. 零样本（Zero-shot）：AI 的“直觉”
实验场景：不给 AI 任何以前的例子，直接问它：“这个任务大概值几分？”
比喻：这就像让一个没去过中国的外国美食评论家，只看着菜单上的菜名和描述，就能猜出这道菜大概有多难做。
结果：令人惊讶的是，AI 的“直觉”非常准！ 即使没有看过任何训练数据，某些 AI（如 Kimi 和 DeepSeek）猜出来的难度排名，比那些“死记硬背”了 80% 历史数据的传统模型还要好。
- 启示：AI 脑子里已经装了很多关于“什么是难、什么是易”的通用知识，不需要专门培训就能上手。
2. 少样本（Few-shot）：给 AI 一点“提示”
实验场景：给 AI 看 5 个以前做过的例子（比如：“任务 A 是 3 分，任务 B 是 5 分”），让它猜剩下的。
比喻：这就像给那个外国美食评论家看 5 道中国菜的标准答案，告诉他：“这道宫保鸡丁算 3 分，那道佛跳墙算 8 分”。
结果：
- 效果拔群：只要给这 5 个例子，AI 的准确率就大幅提升。
- 怎么选例子很重要：
- 策略 A（按频率选）：选最常见的 5 个难度（比如全是 3 分或 5 分的）。这就像只给 AI 看“中等难度”的菜。
- 策略 B（按跨度选）：选 5 个难度跨度最大的（从最简单的 1 分到最难的 10 分）。这就像给 AI 看一张完整的“难度地图”。
- 结论：策略 B 更好！ 让 AI 看到难度的全貌（从易到难），比只看最常见的例子更能帮它校准“尺子”。
3. 比较判断（Comparative Judgments）：AI 喜欢“比大小”吗？
实验场景：以前有研究说，让人类直接打分很难，但让人类比较“任务 A 和任务 B 哪个更难”很容易。那 AI 呢？
比喻：
- 直接打分：问 AI“这道菜几分？”
- 比较判断：问 AI“宫保鸡丁和佛跳墙，哪个更难做？”
结果：这有点反直觉。对人类来说，比大小容易；但对 AI 来说，直接打分反而更准！ - 当 AI 被要求直接打分时，它心里其实已经默默排好了序。如果强行让它只回答"A 比 B 难”，它反而容易出错。
- 但是，虽然 AI 不擅长直接做“比较题”，但把“比较题”作为例子给 AI 看，却非常有用！
- 比如，给 AI 看：“宫保鸡丁比佛跳墙简单”。AI 虽然自己不会做这种题，但看到这种例子后，它能更好地理解难度的相对关系，从而把后面的直接打分猜得更准。
4. 总结：这对我们意味着什么？
这篇论文告诉我们，AI 在软件工作量估算上非常有潜力，而且很“省钱”：
- 冷启动神器：如果你刚开一个新项目，没有历史数据，直接让 AI 猜（零样本）就能得到不错的结果，比传统方法好。
- 少量数据就能起飞：如果你能找 5 个以前的例子给 AI 看，它的准确率会更高。而且，这 5 个例子最好涵盖从“简单”到“困难”的各种情况。
- 人类更轻松的参与方式：虽然 AI 自己更喜欢直接猜分数，但人类在提供“比较例子”（比如告诉 AI"A 比 B 难”）时，比直接给分数更轻松、更准确。利用这些轻松的“比较例子”来训练 AI，效果出奇的好，特别是对于那些算力较小的模型。
一句话总结：
以前我们觉得 AI 需要大量数据才能学会估算工作量，现在发现，AI 自带“常识”，只要给它一点点“路标”（哪怕是简单的比较），它就能比那些死记硬背的旧模型猜得更准、更快。 这让软件开发团队在规划项目时，能少开会、少纠结，多依靠智能助手。