Aprendizaje con pocos ejemplos (few-shot)
Técnica en la que se incluyen unos pocos ejemplos de la tarea dentro del prompt para guiar al modelo, sin reentrenarlo. Mejora la precisión mostrando el patrón esperado.
Actualizado: 12 de septiembre de 2026.
Few-shot consiste en darle al modelo dos o tres ejemplos de entrada y salida deseadas antes de la consulta real. El modelo capta el formato y el estilo y los replica.
Ejemplo copiable: clasificar reseñas
Pega un bloque así antes de tu reseña real. Tres ejemplos suelen bastar para fijar el formato:
Clasifica cada reseña como Positivo, Negativo o Neutro. Responde solo con la etiqueta.
Usuario: Reseña: me encantó, llegó antes de tiempo y funciona perfecto.
Asistente: Positivo
Usuario: Reseña: se rompió a los dos días y el soporte no responde.
Asistente: Negativo
Usuario: Reseña: el producto está bien, aunque el envío tardó una semana.
Asistente: Neutro
Usuario: Reseña: [pega aquí tu reseña]
Asistente:
Fíjate en lo que hacen los ejemplos: fijan las etiquetas permitidas, el idioma de respuesta y la regla de no explicar. Sin ellos, el modelo podría responder con un párrafo en vez de la etiqueta.
Zero-shot frente a few-shot
| Enfoque | Qué incluye el prompt | Cuándo conviene |
|---|---|---|
| Zero-shot | Solo la instrucción, sin ejemplos | Tareas abiertas o cuando el formato no importa |
| Few-shot | Instrucción + 3-5 ejemplos | Formatos estrictos: etiquetas, tablas, JSON, estilos |
En zero-shot no se dan ejemplos, solo la instrucción. Few-shot suele acertar más en tareas con un formato concreto, a costa de gastar más tokens: 3-5 ejemplos suele bastar; más ejemplos = más tokens y coste. Si la tarea ya sale bien sin ejemplos, no pagues los tokens de más.
Por qué funciona
Es una forma de aprendizaje en contexto: el modelo "aprende" de los ejemplos del prompt sin cambiar sus pesos.