Hallazgos clave

• Los ejemplos mejoran drásticamente la precisión. Por ejemplo, Claude 3 Haiku pasó de un 11% de acierto sin ejemplos a un 75% con solo tres ejemplos, igualando el rendimiento de modelos mucho más grandes en modo zero-shot .
• El rango óptimo respaldado por la investigación es de 2 a 5 ejemplos. Las guías de prompting suelen describir el few-shot como el uso de entre 2 y 5 ejemplos, y varios estudios identifican este rango como el ideal .
• Más no siempre es mejor. Un estudio de arXiv identificó un problema de "sobrecarga de ejemplos" (over-prompting) donde demasiados ejemplos pueden reducir el rendimiento del modelo, desafiando la idea de que siempre es beneficioso añadir más .
• La calidad de los ejemplos importa más que la cantidad. Ejemplos diversos, de alta calidad y bien estratificados pueden superar a simplemente añadir más ejemplos, mientras que ejemplos inconsistentes pueden enseñar al modelo patrones erráticos .
• Para tareas que requieren razonamiento, prueba primero sin ejemplos. No asumas que los ejemplos son siempre necesarios; compara el rendimiento zero-shot contra few-shot, porque el over-prompting puede perjudicar en ciertos escenarios .

Recomendaciones prácticas

Conclusión: Usa ejemplos, mantenlos entre 2 y 5, y prioriza la calidad y la diversidad sobre la cantidad . Prueba si tu modelo específico se beneficia más del few-shot o del zero-shot, especialmente en tareas de razonamiento donde los ejemplos extra no siempre ayudan .

Hallazgos clave

• Los ejemplos mejoran drásticamente la precisión. Por ejemplo, Claude 3 Haiku pasó de un 11% de acierto sin ejemplos a un 75% con solo tres ejemplos, igualando el rendimiento de modelos mucho más grandes en modo zero-shot .
• El rango óptimo respaldado por la investigación es de 2 a 5 ejemplos. Las guías de prompting suelen describir el few-shot como el uso de entre 2 y 5 ejemplos, y varios estudios identifican este rango como el ideal .
• Más no siempre es mejor. Un estudio de arXiv identificó un problema de "sobrecarga de ejemplos" (over-prompting) donde demasiados ejemplos pueden reducir el rendimiento del modelo, desafiando la idea de que siempre es beneficioso añadir más .
• La calidad de los ejemplos importa más que la cantidad. Ejemplos diversos, de alta calidad y bien estratificados pueden superar a simplemente añadir más ejemplos, mientras que ejemplos inconsistentes pueden enseñar al modelo patrones erráticos .
• Para tareas que requieren razonamiento, prueba primero sin ejemplos. No asumas que los ejemplos son siempre necesarios; compara el rendimiento zero-shot contra few-shot, porque el over-prompting puede perjudicar en ciertos escenarios .

Recomendaciones prácticas

Conclusión: Usa ejemplos, mantenlos entre 2 y 5, y prioriza la calidad y la diversidad sobre la cantidad . Prueba si tu modelo específico se beneficia más del few-shot o del zero-shot, especialmente en tareas de razonamiento donde los ejemplos extra no siempre ayudan .