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.
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.