Few-Shot Learning
Few-shot learning e a tecnica de engenharia de prompt que inclui de 2 a 5 exemplos de "entrada -> saida desejada" no prompt para que o LLM imite o padrao. Sem nenhum treinamento adicional, e uma das formas mais praticas de alinhar o comportamento do modelo apenas com o design do prompt.
Few-shot learning e a tecnica de engenharia de prompt que inclui de 2 a 5 exemplos de "entrada -> saida desejada" no prompt para que o LLM imite o padrao. Sem nenhum treinamento adicional, e uma das formas mais praticas de alinhar o comportamento do modelo apenas com o design do prompt.
Por que isso importa
Apresentada de forma sistematica no artigo do GPT-3 de 2020, "Language Models are Few-Shot Learners", a tecnica demonstrou que grandes LLMs conseguiam realizar tarefas para as quais nunca haviam sido treinados explicitamente apos verem apenas alguns exemplos. A precisao na mesma tarefa e, em media, de 20% a 40% maior com few-shot em comparacao com zero-shot. E a melhoria de qualidade significativa mais barata disponivel sem fine-tuning.
Zero-Shot vs Few-Shot vs Fine-Tuning
Zero-Shot: Apenas instrucoes, sem exemplos.
"Classifique o sentimento desta frase como positivo/negativo/neutro: [frase]"
Few-Shot: De 2 a 5 pares de exemplo incluidos.
"Classifique como positivo, negativo ou neutro. Exemplo 1: 'Foi muito bom mesmo' -> positivo Exemplo 2: 'Nao e para mim' -> negativo Exemplo 3: 'Foi ok' -> neutro Frase a classificar: [nova frase]"
Fine-Tuning: Atualizar os pesos do modelo com centenas a milhares de exemplos.
| Aspecto | Zero-Shot | Few-Shot | Fine-Tuning |
|---|---|---|---|
| Custo de configuracao | Nenhum | Minutos | Horas a dias |
| Precisao | Baixa | Media | Alta |
| Consumo de tokens | Baixo | Medio (os exemplos inflam o prompt) | Baixo (apos o treinamento) |
| Flexibilidade | Muda instantaneamente | Muda instantaneamente | Requer retreinamento |
O few-shot fica entre os dois, e e o ponto ideal para "a maioria das tarefas de producao que precisam de um aumento rapido de qualidade".
Como criar exemplos eficazes de few-shot
Cubra casos diversos: Inclua casos positivos, negativos e limitrofes para que o modelo infira a distribuicao.
Formato consistente: Todo exemplo deve seguir o mesmo formato de entrada -> saida. Formatos inconsistentes prejudicam a precisao.
Casos de fronteira dificeis: Exemplos faceis deixam o modelo inseguro nos limites. Inclua casos sutis como "parece positivo, mas na verdade e neutro".
Ordenacao dos exemplos: Pesquisas mostram que a ordenacao afeta os resultados. Uma heuristica comum e colocar os exemplos mais claros primeiro e depois os mais dificeis.
Numero de exemplos: De 3 a 5 e o ideal para a maioria das tarefas. Mais do que isso geralmente adiciona custo de tokens com retorno decrescente.
Bons casos de uso
Classificacao: Rotulagem automatica de consultas de clientes por categoria.
Conversao de formato: De JSON para Markdown, de texto nao estruturado para dados estruturados.
Imitacao de estilo: Aprender uma voz de marca ou a prosa de um autor a partir de poucos exemplos.
Extracao especifica de dominio: Extrair campos especificos de contratos ou artigos.
Ajuste de traducao: Personalizar a traducao para incluir o seu glossario.
Limitacoes
Desperdicio de contexto: Exemplos longos consomem tokens e reduzem a janela de contexto efetiva.
Menos consistente que o fine-tuning: Tarefas repetitivas de alto volume ainda favorecem o fine-tuning.
Modelos modernos sao melhores em zero-shot: Claude Opus 4.6, GPT-5 e modelos de fronteira similares fecham boa parte da diferenca do zero-shot, entao a vantagem do few-shot e menor do que era. Muitas vezes o zero-shot basta.
A qualidade dos exemplos determina a saida: Exemplos ruins -> saidas ruins. O design dos exemplos e a alavanca central de qualidade.
Fontes: