El zero-shot describe la capacidad de un modelo de lenguaje para abordar una tarea sin haber recibido ejemplos específicos de ella en el prompt ni un entrenamiento dedicado. El modelo se apoya únicamente en el conocimiento general adquirido durante su preentrenamiento y en las instrucciones que recibe en lenguaje natural. Por ejemplo, si pides "clasifica este correo como spam o legítimo" sin mostrar ningún caso resuelto previamente, estás usando un enfoque zero-shot.
Su importancia radica en la flexibilidad: permite resolver problemas nuevos sin necesidad de recopilar datos etiquetados ni reentrenar, lo que ahorra tiempo y recursos. Es la forma más directa de interactuar con un modelo y la base sobre la que se construyen técnicas más elaboradas.
Conviene distinguirlo de otros enfoques relacionados:
- Zero-shot: sin ejemplos en el prompt.
- Few-shot: se incluyen unos pocos ejemplos para guiar al modelo.
En la práctica, el zero-shot funciona bien en tareas comunes, pero su precisión puede caer en problemas muy específicos o que requieran un formato de salida concreto, donde añadir ejemplos suele mejorar los resultados.