Zero-shot vs. few-shot: ¿le muestro ejemplos o no?
Decidir si incluir ejemplos en tu prompt separa una respuesta genérica de una excelente. Aprende cuándo usar cada técnica y qué errores evitar al dar ejemplos.
Hay una decisión simple que separa una respuesta genérica de una excelente: ¿incluyes ejemplos en tu prompt o no? De ahí salen dos técnicas fundamentales: zero-shot y few-shot.
Zero-shot: instrucción directa, sin ejemplos
Es darle al modelo una instrucción directa sin ningún ejemplo. Piensa en un becario brillante: le pides que traduzca "queso" al francés, no necesita contexto extra y la respuesta es inequívoca: fromage.
- Funciona mejor cuando la tarea es específica y está bien definida.
- Y cuando el modelo tiene poco margen para interpretar el pedido de maneras distintas.
- Casos típicos: traducir una palabra, resumir un texto corto, responder una pregunta factual.
Few-shot: instrucción + ejemplos
Es incluir ejemplos concretos del resultado esperado dentro del prompt. Es ideal para tareas con criterios subjetivos o patrones difíciles de describir con palabras: los ejemplos permiten al modelo detectar el patrón y reducen la ambigüedad casi a cero.
Ejemplo: clasificar emociones como positivas o negativas. Las emociones no son positivas o negativas por naturaleza, así que la tarea es ambigua. Pero si das ejemplos…
- Negativas: tristeza, enojo, miedo.
- Positivas: alegría, felicidad, emoción.
…el modelo identifica el patrón y clasifica con precisión.
Caso real: escribir un tuit
Tarea: escribir un tuit sobre el impacto de la IA en el empleo.
| Enfoque | Resultado |
|---|---|
| Zero-shot | Tuit genérico, con clichés ("la IA no vino a quitarnos el trabajo") y hashtags que parecían de 2015 |
| Few-shot | Tuit con un gancho claro ("Plot twist"), datos concretos y una pregunta final que invita a conversar |
¿Cómo se aplicó few-shot? Se incluyeron tuits reales del perfil, tanto de alto como de bajo engagement.
- Los de alto engagement eran más largos, incluían datos duros y algunos usaban emojis.
- Los de bajo engagement eran cortos y carecían de información relevante.
La diferencia de calidad fue enorme.
¿Cuál elijo?
Hazte tres preguntas:
- ¿Hay ambigüedad en la tarea?
- ¿La tarea es compleja?
- ¿Necesito precisión o replicar un formato específico?
Si las tres respuestas son sí, few-shot probablemente sea la mejor opción. Y la mejor práctica: prueba ambas técnicas y compara.
Errores comunes al usar few-shot
Cantidad de ejemplos
- Muy pocos: el modelo no puede detectar patrones.
- Demasiados: crean límites rígidos y provocan alucinaciones en casos no cubiertos.
- Rango ideal según la investigación: de 3 a 7 ejemplos.
Variedad de ejemplos
- Mostrar solo ejemplos positivos o solo negativos introduce sesgo.
- Incluye siempre ambas categorías (por ejemplo, alto Y bajo engagement) para que el modelo vea el panorama completo.
Orden de los ejemplos
- El orden puede cambiar la efectividad del prompt entre un 50% y un 90%.
- Efecto de recencia: lo que aparece al final recibe más atención.
- Recomendación: usa un orden aleatorio, alternando ejemplos positivos y negativos para evitar sesgos.
Ideas clave
- Zero-shot = instrucción directa, ideal para tareas simples y sin ambigüedad.
- Few-shot = instrucción + ejemplos, ideal para tareas complejas, ambiguas o sensibles al formato.
- Usa de 3 a 7 ejemplos variados que cubran ambos lados (buenos y malos).
- Mezcla el orden alternando categorías, porque el último ejemplo pesa más.
- Ante la duda, compara zero-shot y few-shot con tu propia tarea y prueba el prompt con varios casos.