Aprendizado zero-shot
O modelo resolve uma tarefa sem ver nenhum exemplo — só pela instrução. Opostos: few-shot (alguns exemplos no prompt), one-shot (um exemplo), fine-tuning (muitos exemplos).
O paper do GPT-3 (2020) demonstrou de forma contundente que LLMs grandes dão conta de muitas tarefas em modo zero-shot. As LLMs modernas (GPT-4+, Claude, Gemini) fazem, na prática, quase tudo em zero-shot. A prática anterior de ML era treinar com dados rotulados para cada tarefa específica. Zero-shot é um sinal forte de generalização. Medido em benchmarks como MMLU e HumanEval. Few-shot ainda é relevante para: formatação específica de domínio, raciocínio complexo em que exemplos ajudam, e tarefas críticas em que prompt engineering faz diferença.