Principais descobertas

• Exemplos melhoram drasticamente a precisão. O Claude 3 Haiku, por exemplo, foi de 11% de acerto com zero exemplos para 75% com apenas três exemplos — igualando o desempenho zero-shot de modelos muito maiores .
• 2 a 5 exemplos é o ideal comprovado por pesquisas. Guias de prompting frequentemente descrevem o few-shot como o uso de 2 a 5 exemplos, e um guia identifica essa faixa como a ótima .
• Mais não é sempre melhor. Um estudo do arXiv identificou um problema de "excesso de prompting" (over-prompting), onde muitos exemplos podem reduzir o desempenho do modelo, desafiando a suposição de que mais exemplos sempre ajudam .
• Qualidade do exemplo importa mais que quantidade. Exemplos diversos, de alta qualidade e bem estratificados podem superar a simples adição de mais exemplos; exemplos inconsistentes podem ensinar padrões inconsistentes ao modelo .
• Para tarefas que exigem raciocínio, considere zero-shot primeiro. Não presuma que exemplos são sempre necessários; teste zero-shot contra few-shot, pois o excesso de prompts pode reduzir o desempenho em alguns cenários .

Recomendações práticas

Conclusão: Use exemplos, mantenha-se entre 2 e 5, e priorize qualidade e diversidade sobre quantidade . Teste se o seu modelo específico se beneficia mais de few-shot ou zero-shot, especialmente em tarefas pesadas de raciocínio, onde exemplos extras podem nem sempre ajudar .

Principais descobertas

• Exemplos melhoram drasticamente a precisão. O Claude 3 Haiku, por exemplo, foi de 11% de acerto com zero exemplos para 75% com apenas três exemplos — igualando o desempenho zero-shot de modelos muito maiores .
• 2 a 5 exemplos é o ideal comprovado por pesquisas. Guias de prompting frequentemente descrevem o few-shot como o uso de 2 a 5 exemplos, e um guia identifica essa faixa como a ótima .
• Mais não é sempre melhor. Um estudo do arXiv identificou um problema de "excesso de prompting" (over-prompting), onde muitos exemplos podem reduzir o desempenho do modelo, desafiando a suposição de que mais exemplos sempre ajudam .
• Qualidade do exemplo importa mais que quantidade. Exemplos diversos, de alta qualidade e bem estratificados podem superar a simples adição de mais exemplos; exemplos inconsistentes podem ensinar padrões inconsistentes ao modelo .
• Para tarefas que exigem raciocínio, considere zero-shot primeiro. Não presuma que exemplos são sempre necessários; teste zero-shot contra few-shot, pois o excesso de prompts pode reduzir o desempenho em alguns cenários .

Recomendações práticas

Conclusão: Use exemplos, mantenha-se entre 2 e 5, e priorize qualidade e diversidade sobre quantidade . Teste se o seu modelo específico se beneficia mais de few-shot ou zero-shot, especialmente em tarefas pesadas de raciocínio, onde exemplos extras podem nem sempre ajudar .