O que é Few-shot Learning?
É o aprendizado ou adaptação a uma tarefa usando poucos exemplos.
Imersão
ImersãoDois dias para transformar IA em criatividade aplicada. In CompanyO método do IA Lab dentro do seu escritório.Conteúdos abertos
Área do alunosó para alunos
Few-shot Learning · Few-shot Prompting · Aprendizado com Poucos Exemplos
Few-shot Learning é a capacidade de aprender ou adaptar uma tarefa a partir de um número pequeno de exemplos. Em Machine Learning clássico, descreve métodos desenvolvidos para treinar modelos com poucos exemplos rotulados. Em LLMs, o termo aparece com frequência como few-shot prompting: alguns exemplos de entrada e saída são incluídos no contexto para demonstrar ao modelo o padrão desejado, sem alterar seus parâmetros.
Few-shot Learning significa aprendizado com poucos exemplos. No Machine Learning clássico, o termo descreve abordagens desenvolvidas para aprender uma tarefa usando um conjunto muito pequeno de exemplos rotulados.
O glossário do Google define few-shot learning como uma abordagem, muito utilizada em classificação, desenhada para treinar modelos eficazes a partir de apenas um pequeno número de exemplos.
Com a popularização dos LLMs, o termo passou a aparecer também em outro contexto: few-shot prompting. Nesse caso, não há um novo treinamento do modelo. Alguns exemplos são colocados dentro do prompt para demonstrar o padrão desejado.
As duas ideias compartilham a mesma intuição, obter comportamento útil com poucos exemplos, mas acontecem em momentos diferentes do sistema.
No few-shot learning clássico, poucos exemplos participam de um processo de aprendizagem ou adaptação do modelo. Dependendo da técnica, isso pode envolver atualização de parâmetros ou mecanismos específicos de meta-learning.
No few-shot prompting de LLMs, os exemplos ficam apenas no contexto daquela execução. Os pesos do modelo não são alterados.
A OpenAI descreve few-shot learning em prompting como orientar o modelo para uma nova tarefa incluindo alguns pares de entrada e saída no prompt, em vez de realizar fine-tuning.
Por isso, em produtos generativos é mais preciso dizer few-shot prompting quando estamos falando de exemplos inseridos no contexto.
O prompt apresenta exemplos que funcionam como demonstrações. Cada exemplo mostra uma entrada e a saída esperada.
Depois, uma nova entrada é fornecida. O modelo identifica padrões presentes nos exemplos e tenta aplicá-los à nova situação.
Esse fenômeno é frequentemente associado a in-context learning: o modelo utiliza informação presente no contexto para adaptar temporariamente seu comportamento sem modificar parâmetros.
O mecanismo exato depende da arquitetura e do treinamento do modelo, mas do ponto de vista de produto o efeito é simples: mostrar pode ser mais eficiente do que explicar todas as regras.
Imagine que uma empresa possui três categorias internas: comercial, financeiro e suporte.
Um prompt zero-shot poderia apenas dizer: classifique a mensagem em uma dessas categorias.
Um prompt few-shot adiciona exemplos: 'Quero uma proposta para minha empresa' → comercial; 'Meu boleto veio errado' → financeiro; 'Não consigo acessar minha conta' → suporte.
Quando chega uma nova mensagem, o modelo usa esses exemplos para interpretar melhor as fronteiras entre as classes.
Exemplos são particularmente úteis quando o formato desejado é difícil de descrever.
Uma equipe pode mostrar dois exemplos de relatório com títulos, campos e ordem correta antes de fornecer o novo material.
O modelo tende a reproduzir a estrutura demonstrada.
Quando formato precisa ser absolutamente garantido, porém, schemas e Structured Outputs são mais seguros do que depender apenas dos exemplos.
Em comunicação, alguns exemplos aprovados podem demonstrar ritmo, nível de formalidade, extensão e escolhas de linguagem.
Anthropic destaca exemplos como uma das formas mais confiáveis de orientar formato, tom e estrutura e recomenda que sejam relevantes, diversos e bem estruturados.
O risco é fornecer exemplos muito parecidos e fazer o modelo imitar características acidentais.
Por isso, exemplos devem representar o padrão, não apenas uma amostra conveniente.
Um bom exemplo precisa se parecer com as situações reais que o modelo encontrará.
Se todos os exemplos são fáceis, o modelo pode falhar em casos ambíguos.
Se a operação possui exceções importantes, algumas devem aparecer na demonstração.
Escolher exemplos é um trabalho de curadoria e conhecimento de domínio.
A OpenAI recomenda mostrar uma faixa diversa de entradas com as saídas desejadas.
Diversidade ajuda o modelo a aprender a regra mais geral em vez de copiar uma característica superficial.
Em análise de sentimento, por exemplo, exemplos devem variar em vocabulário, intensidade e tipo de comentário.
Em classificação documental, devem cobrir formatos e casos de fronteira representativos.
Os exemplos precisam estar alinhados às regras escritas.
A documentação atual de modelos de raciocínio alerta que divergências entre exemplos few-shot e instruções podem produzir resultados ruins.
Se o texto diz para responder apenas com a categoria, mas os exemplos incluem explicações longas, o modelo recebe sinais conflitantes.
A regra prática é fazer exemplos demonstrarem exatamente aquilo que a instrução pede.
Para muitos modelos atuais, especialmente reasoning models, vale testar primeiro a versão zero-shot.
A OpenAI recomenda experimentar zero-shot antes de adicionar few-shot em modelos de raciocínio, porque eles frequentemente conseguem realizar a tarefa apenas com uma especificação clara.
Se requisitos de formato, estilo ou fronteiras de classificação continuam inconsistentes, exemplos podem ser adicionados.
Isso evita gastar tokens e complexidade onde não existe ganho.
Cada exemplo ocupa tokens dentro da janela de contexto.
Adicionar dezenas de exemplos reduz espaço disponível para documentos, histórico e resposta.
Também aumenta custo de input quando o prompt é enviado repetidamente.
É necessário buscar o menor conjunto de exemplos que produza ganho consistente.
Em aplicações que reutilizam o mesmo bloco de exemplos, prompt caching pode reduzir custo e latência quando a plataforma suporta esse mecanismo.
Manter exemplos em uma parte estável do prompt também facilita versionamento.
Ainda assim, caching não corrige exemplos ruins.
O primeiro objetivo deve continuar sendo qualidade da demonstração.
Few-shot prompting é uma excelente forma de testar se exemplos conseguem orientar uma tarefa antes de investir em treinamento.
Se a operação exige enviar muitos exemplos a cada requisição, tem alto volume e precisa de comportamento extremamente consistente, fine-tuning pode se tornar uma alternativa.
Fine-tuning move parte do padrão para os parâmetros do modelo; few-shot mantém o padrão no contexto.
A escolha deve considerar qualidade, custo, frequência de atualização e volume.
Exemplos e conhecimento são coisas diferentes.
Few-shot mostra como responder. RAG fornece informação sobre o que responder.
Um assistente pode receber exemplos de como citar fontes e usar RAG para recuperar os documentos que serão citados.
Essa combinação é comum em sistemas empresariais.
Atendimento pode usar exemplos para demonstrar categorias e estilos de resposta.
Marketing pode mostrar peças aprovadas e formatos de briefing. Escritórios profissionais podem demonstrar como estruturar análises e relatórios.
Em produtos, few-shot é útil para prototipar taxonomias e comportamentos antes de construir pipelines especializados.
A técnica é especialmente valiosa quando uma regra é fácil de mostrar e difícil de descrever.
Few-shot não garante generalização. O modelo pode se prender demais aos exemplos ou interpretar um detalhe acidental como regra.
Exemplos podem introduzir vieses, erros ou conteúdo desatualizado.
Também existe custo de contexto, manutenção e testes.
Qualquer conjunto few-shot de produção deve ser avaliado em casos que não aparecem nas demonstrações.
Few-shot prompting transformou exemplos em uma forma de programar comportamento sem treinamento.
Isso permite que profissionais ensinem padrões ao modelo usando demonstrações concretas.
Mas modelos atuais tornaram zero-shot mais capaz, então poucos exemplos devem ser usados quando realmente resolvem uma inconsistência mensurável.
A competência está menos em colocar muitos exemplos e mais em escolher os exemplos certos.
Zero-shot Learning, One-shot Learning, Few-shot Prompting, In-context Learning, Prompt Engineering, Fine-tuning, Context Window, Evals, Instruction Tuning
É o aprendizado ou adaptação a uma tarefa usando poucos exemplos.
É incluir alguns exemplos de entrada e saída no prompt para orientar um LLM sem alterar seus parâmetros.
Não. Few-shot prompting usa exemplos no contexto; fine-tuning realiza treinamento adicional do modelo.
Few-shot fornece alguns exemplos; zero-shot depende apenas da instrução e das capacidades prévias do modelo.
Não existe número universal. Deve-se testar o menor conjunto diverso e representativo que melhora o resultado.
Nem sempre. A orientação atual da OpenAI recomenda tentar zero-shot primeiro e adicionar exemplos apenas quando necessário.
Revisado em 2026-09-23.