Zero-Shot Prompting

Summary (confidence: high)

• LLMs treinados em grandes quantidades de dados e sintonizados para seguir instruções são capazes de executar tarefas sem nenhum exemplo (zero-shot).
• O ajuste de instrução (instruction tuning) + RLHF melhora significativamente o aprendizado zero-shot.
• Quando zero-shot não funciona, recomenda-se fornecer exemplos (few-shot prompting).

Definição (confidence: high)

Zero-shot prompting é a técnica mais básica de prompt engineering: o modelo recebe apenas uma instrução direta e nenhum exemplo do que se espera. LLMs modernos como o ChatGPT, treinados com instruction tuning e RLHF, performam tarefas simples de classificação, análise de sentimento e resposta a perguntas sem demonstrações prévias.

Funcionamento (confidence: high)

O modelo recebe um prompt descrevendo a tarefa e deve produzir a saída correta baseando-se apenas no conhecimento adquirido durante o treinamento. Por exemplo:

Classifique o texto em neutro, negativo ou positivo.
Texto: Acho que as férias estão boas.
Sentimento:

Limitações (confidence: high)

Para tarefas complexas de raciocínio, aritmética ou lógica, o zero-shot pode falhar. Nestes casos, técnicas como few-shot ou chain-of-thought são mais adequadas.

prompt-engineering-techniques | few-shot-prompting | chain-of-thought

Sources

• raw/prompts/articles/promptingguide-pt-techniques-zeroshot.md