Glosario de IA Models & Architecture
¿Qué es el aprendizaje few-shot?
← Todos los términos del glosarioConseguir que un modelo haga una tarea a partir de muy pocos ejemplos, algo que los modelos de lenguaje grandes logran leyendo esos ejemplos en el prompt.
Explicación
El aprendizaje few-shot consiste en que un modelo resuelva una tarea a partir de muy pocos ejemplos etiquetados, algo útil cuando esos datos escasean o son caros. Con los modelos de lenguaje grandes suele hacerse mediante aprendizaje en contexto: se ponen unos pocos ejemplos de entrada y salida en el prompt y el modelo continúa el patrón, sin reentrenarlo. La idea se popularizó cuando unos investigadores mostraron que un modelo de lenguaje lo bastante grande podía hacer muchas tareas así. Es rápido de montar y fácil de cambiar, pero el resultado depende mucho de qué ejemplos eliges.
Cómo funciona el prompting few-shot
El prompt contiene una instrucción breve, unos pocos ejemplos de la tarea, cada uno con su entrada y la salida esperada, y después la entrada nueva. El modelo deduce el patrón (las etiquetas, el formato o el tono) y lo aplica.
El modelo no cambia: los ejemplos solo existen en esa petición. Para cambiar el comportamiento cambias los ejemplos, lo que facilita iterar, pero también significa que ocupan parte de la ventana de contexto en cada llamada.
Zero-shot, few-shot y fine-tuning
- Zero-shot: solo una instrucción, sin ejemplos. Funciona en tareas que el modelo ya entiende bien.
- Few-shot: instrucción más unos pocos ejemplos. Ayuda cuando el formato, las etiquetas o el estilo son específicos.
- Fine-tuning: entrenar el modelo con muchos ejemplos. Compensa cuando la tarea es estable, de mucho volumen y el few-shot no es lo bastante fiable.
Un camino habitual es empezar en zero-shot, añadir ejemplos donde el resultado flojea y hacer fine-tuning solo si queda un hueco claro.
Cómo elegir buenos ejemplos
- Cubre la variedad de entradas reales, casos límite incluidos, no solo los fáciles.
- Mantén coherentes las etiquetas y los formatos entre ejemplos.
- Evita ejemplos con datos personales o confidenciales.
- Prueba con un conjunto de casos aparte: unos ejemplos que parecen buenos pueden sesgar al modelo.
Preguntas frecuentes
¿Qué diferencia hay entre aprendizaje few-shot y zero-shot?
En zero-shot el modelo solo recibe una descripción de la tarea. En few-shot recibe además unos pocos ejemplos resueltos. El few-shot suele ayudar cuando la salida esperada tiene un formato particular o usa etiquetas que el modelo no podría adivinar.
¿Qué es un ejemplo de prompt few-shot?
Para clasificar correos de clientes, el prompt incluye tres o cuatro correos, cada uno seguido de su categoría, y después el correo nuevo. El modelo devuelve una categoría con el mismo estilo. Si cambias los ejemplos, cambia cómo clasifica.
¿El aprendizaje few-shot es lo mismo que el aprendizaje en contexto?
Con los LLM, el few-shot suele hacerse mediante aprendizaje en contexto, es decir, aprender de ejemplos en el prompt sin actualizar el modelo. El aprendizaje few-shot es la idea más amplia y abarca también métodos de entrenamiento pensados para aprender con pocos datos.
¿Cuántos ejemplos debe tener un prompt few-shot?
No hay un número fijo. A menudo bastan unos pocos ejemplos bien elegidos; más pueden ayudar con entradas variadas, pero suben el coste y no siempre mejoran el resultado. Mide con tus propios casos de prueba en lugar de fiarte de una regla general.
¿Cuándo conviene hacer fine-tuning en lugar de usar prompts few-shot?
Cuando la tarea es estable y frecuente, tienes muchos ejemplos buenos y el few-shot no da resultados lo bastante constantes. El fine-tuning también puede acortar los prompts y bajar el coste por petición. Si la tarea cambia a menudo, el few-shot es más fácil de mantener.
Dónde aparece en Thinkia
Para seguir leyendo
Términos relacionados
Fuentes
- Brown et al. · Language Models are Few-Shot Learners (en inglés)
- Anthropic · Use examples (multishot prompting) to guide Claude's behavior (en inglés)
- Wang et al. · Generalizing from a Few Examples: A Survey on Few-Shot Learning (arXiv) (en inglés)
Actualizado: 2026-10-21