Few-shot (con pocos ejemplos)

Un prompt few-shot incluye unos pocos ejemplos (normalmente de dos a diez) de entrada y salida esperada antes de la petición real. El modelo detecta el patrón y lo aplica al caso nuevo. Cuando hay un solo ejemplo se habla de one-shot.

La técnica se volvió famosa con el artículo de GPT-3 (2020), titulado precisamente «Language Models are Few-Shot Learners»: mostró que un modelo grande podía resolver tareas nuevas con sólo ver ejemplos en el prompt, sin reentrenarlo. Ese fenómeno se llama aprendizaje en contexto.

Es especialmente útil cuando: necesitas un formato de salida exacto; el criterio de clasificación es propio de tu negocio; o quieres un tono o estilo difícil de describir con palabras. La documentación de Anthropic recomienda que los ejemplos sean relevantes, variados (que cubran casos difíciles) y claramente separados del resto de las instrucciones, por ejemplo con etiquetas.

Precauciones: el modelo puede copiar detalles de los ejemplos que no querías (longitud, palabras, orden), así que varíalos. Si todos tus ejemplos son de una misma categoría, puedes sesgarlo hacia ella. Y si la tarea requiere decenas o cientos de ejemplos para salir bien, quizá convenga un ajuste fino o un clasificador dedicado.