Zero-shot
Zero-shot significa pedir a um modelo que faça uma tarefa só a partir de uma instrução, sem exemplos resolvidos no prompt e sem treinamento específico para a tarefa. O modelo depende apenas do que já aprendeu.
Também chamado: zero-shot learning, zero-shot prompting
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
Um prompt zero-shot descreve a tarefa e dá a entrada, nada mais. "Traduza esta frase para o alemão" ou "Esta avaliação é positiva ou negativa?" são prompts zero-shot. A maior parte do uso diário de um assistente de chat é zero-shot.
Zero-shot, one-shot e few-shot
Os termos contam exemplos. O zero-shot não usa nenhum, o one-shot usa um e o few-shot prompting usa vários. Adicionar exemplos geralmente ajuda quando o formato de saída é incomum ou a tarefa é ambígua, ao custo de mais tokens de entrada em cada chamada.
Raciocínio zero-shot
Um artigo de 2022 de Kojima e colegas mostrou que adicionar uma linha, "Let's think step by step" (vamos pensar passo a passo), deixava modelos grandes melhores em tarefas de raciocínio sem nenhum exemplo escrito à mão. Eles chamaram isso de Zero-shot-CoT, uma forma zero-shot do prompting de chain-of-thought.
Outro significado nos leaderboards
Fora do prompting, zero-shot também descreve avaliação: como um modelo se sai em tarefas ou datasets com que não foi treinado. Leaderboards de embeddings como o MTEB usam a palavra nesse sentido, então um número zero-shot ali é uma afirmação sobre a sobreposição entre dados de treinamento e dados de teste, não sobre prompts. Um modelo que viu os dados de treinamento de um benchmark pode pontuar bem nele sem generalizar tão bem. Veja contaminação de benchmark.
Por que importa
Começar com zero-shot é a base mais barata. Se funcionar, você evita manter exemplos. Se falhar, a falha mostra o que os exemplos ou mais prompt engineering precisam corrigir.
Termos relacionados
- Few-shot prompting
- Few-shot prompting (prompting com poucos exemplos) é dar a um modelo de linguagem um punhado de exemplos resolvidos de uma tarefa dentro do prompt, para que ele copie o padrão em uma nova entrada sem nenhum retreinamento.
- Chain-of-thought
- Chain-of-thought (CoT, cadeia de raciocínio) é um método de prompting em que um modelo de linguagem escreve passos intermediários de raciocínio antes da resposta final, o que tende a melhorar os resultados em matemática, lógica e outros problemas de vários passos.
- Prompt engineering
- Prompt engineering (engenharia de prompt) é a prática de escrever, estruturar e testar as instruções e exemplos dados a um modelo de linguagem para que ele produza a saída de que uma aplicação precisa, sem mudar os pesos do modelo.
- MTEB
- O MTEB, Massive Text Embedding Benchmark, é um benchmark público com leaderboard que avalia modelos de embedding de texto em muitos tipos de tarefa, como recuperação, clustering, classificação e reranking, sobre muitos datasets e idiomas.
- Contaminação de benchmark
- Contaminação de benchmark (benchmark contamination) é quando um modelo viu as questões ou respostas de teste de um benchmark durante o treinamento, de modo que sua pontuação nesse benchmark exagera o quanto ele lida bem com problemas novos do mesmo tipo.