Few-shot prompting
El few-shot prompting (prompting con pocos ejemplos) consiste en dar a un modelo de lenguaje unos pocos ejemplos resueltos de una tarea dentro del prompt, para que pueda copiar el patrón con una entrada nueva sin ningún reentrenamiento.
También llamado: in-context learning, few-shot, multishot prompting
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
En un prompt few-shot, muestras al modelo varios pares de entrada y salida, y después le das una entrada nueva y dejas que complete el patrón. Los pesos del modelo no cambian. Aprende la tarea a partir de los ejemplos de su contexto, por eso esta capacidad también se llama aprendizaje en contexto (in-context learning).
De dónde viene el término
La idea la popularizó el artículo de GPT-3, "Language Models are Few-Shot Learners". Los autores aplicaron GPT-3 a muchas tareas sin actualizaciones de gradiente ni fine-tuning, especificando cada tarea y sus demostraciones solo como texto en el prompt. Informaron de que aumentar el tamaño del modelo mejoraba mucho este rendimiento few-shot.
Ejemplo
Para clasificar tickets de soporte, un prompt puede enumerar tres tickets, cada uno seguido de su etiqueta (facturación, error, cuenta), y después un cuarto ticket sin etiqueta. Se espera que el modelo responda con una de esas mismas etiquetas y en el mismo formato.
Por qué importa
Los ejemplos suelen mostrar el formato y el tono con más claridad que una descripción larga. La guía de prompting de Anthropic los considera una de las formas más fiables de orientar el formato, el tono y la estructura de la salida. Son una parte habitual del prompt engineering.
En qué se diferencia del zero-shot
Un prompt zero-shot da solo una instrucción, sin ejemplos. El one-shot da un único ejemplo. El few-shot da varios.
Límites
Cada ejemplo cuesta tokens de entrada en cada llamada. El modelo puede copiar detalles superficiales de los ejemplos, como la longitud o la redacción, así que conviene que los ejemplos varíen. El few-shot prompting tampoco puede enseñar al modelo datos que no tiene; para eso, plantéate la generación aumentada por recuperación o el fine-tuning.
Términos relacionados
- Zero-shot
- Zero-shot significa pedir a un modelo que haga una tarea solo con una instrucción, sin ejemplos resueltos en el prompt ni entrenamiento específico para la tarea. El modelo se basa únicamente en lo que ya aprendió.
- Prompt engineering
- El prompt engineering (ingeniería de prompts) es la práctica de escribir, estructurar y probar las instrucciones y los ejemplos que se dan a un modelo de lenguaje para que produzca la salida que necesita una aplicación, sin cambiar los pesos del modelo.
- Chain-of-thought
- El chain-of-thought (CoT, cadena de pensamiento) es un método de prompting en el que un modelo de lenguaje escribe pasos de razonamiento intermedios antes de su respuesta final, lo que suele mejorar los resultados en matemáticas, lógica y otros problemas de varios pasos.
- Fine-tuning
- El fine-tuning (ajuste fino) es un entrenamiento adicional de un modelo preentrenado con un conjunto de datos más pequeño y específico de una tarea, para que el modelo adopte una habilidad, un formato, un tono o un dominio concretos sin entrenarlo desde cero.
- System prompt
- El system prompt (prompt del sistema) es el bloque de instrucciones que una aplicación envía a un modelo de lenguaje antes de los mensajes del usuario. Fija el rol, las reglas, el tono y el formato de salida del modelo para toda la conversación.