Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

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.

También llamado: zero-shot learning, zero-shot prompting

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

Un prompt zero-shot describe la tarea y da la entrada, nada más. "Traduce esta frase al alemán" o "¿Esta reseña es positiva o negativa?" son prompts zero-shot. La mayor parte del uso cotidiano de un asistente de chat es zero-shot.

Zero-shot, one-shot y few-shot

Los términos cuentan ejemplos. Zero-shot no usa ninguno, one-shot usa uno y el few-shot prompting usa varios. Añadir ejemplos suele ayudar cuando el formato de salida es poco habitual o la tarea es ambigua, a costa de más tokens de entrada en cada llamada.

Razonamiento zero-shot

Un artículo de 2022 de Kojima y sus colaboradores mostró que añadir una línea, "Let's think step by step", mejoraba a los modelos grandes en tareas de razonamiento sin ningún ejemplo escrito a mano. Lo llamaron Zero-shot-CoT, una forma zero-shot del prompting de chain-of-thought.

Otro significado en los leaderboards

Fuera del prompting, zero-shot también describe la evaluación: cómo rinde un modelo en tareas o conjuntos de datos con los que no se entrenó. Los leaderboards de embeddings como MTEB usan la palabra en este sentido, así que una cifra zero-shot ahí es una afirmación sobre el solapamiento entre los datos de entrenamiento y los de prueba, no sobre los prompts. Un modelo que vio los datos de entrenamiento de un benchmark puede puntuar bien en él sin generalizar igual de bien. Consulta contaminación de benchmarks.

Por qué importa

Empezar con zero-shot es la base de referencia más barata. Si funciona, te ahorras mantener ejemplos. Si falla, el fallo te dice qué deben corregir los ejemplos o más prompt engineering.

Términos relacionados

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.
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.
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.
MTEB
MTEB, el Massive Text Embedding Benchmark, es un benchmark y leaderboard público que puntúa modelos de embedding de texto en muchos tipos de tarea, como recuperación, clustering, clasificación y reranking, sobre muchos conjuntos de datos e idiomas.
Contaminación de benchmarks
La contaminación de benchmarks (benchmark contamination) se produce cuando un modelo ha visto durante el entrenamiento las preguntas o respuestas de prueba de un benchmark, de modo que su puntuación en él exagera lo bien que resuelve problemas nuevos del mismo tipo.

Fuentes