En el esquema de Brown et al. (2020), zero-shot es el extremo del espectro del aprendizaje en contexto: el modelo recibe solo una instrucción (por ejemplo, «Traducí del inglés al francés:») y el caso a resolver, sin demostraciones (2020, sec. 2). Es lo más cómodo y lo que más se parece a cómo se le encarga una tarea a una persona, pero también lo más difícil: a veces ni un humano entendería el formato esperado sin un ejemplo. Los autores dan uno: «make a table of world records for the 200m dash» [«hacé una tabla de récords mundiales de los 200 metros», trad. propia] deja abierto qué columnas poner.
El término es engañoso, y los mismos autores lo advierten: se llama «zero-shot» porque no hay actualización de pesos, pero el modelo no aprende «de cero ejemplos»; puede haber visto miles de tareas parecidas durante el preentrenamiento (Brown et al., 2020, sec. 1). Además, la expresión tiene historia previa en aprendizaje automático: clasificar en categorías nunca vistas durante el entrenamiento. En ese sentido la usa CLIP, que clasifica una imagen comparando su embedding con los de descripciones de las clases candidatas (Alammar y Grootendorst, 2024, pp. 123, 265).
Dos hallazgos muestran cuánto depende el zero-shot de detalles aparentemente menores. El ajuste por instrucciones lo mejora mucho: FLAN superó a GPT-3 en modo zero-shot en 20 de 25 conjuntos (Wei, Bosma et al., 2022). Y una frase puede cambiarlo todo: agregar «Let's think step by step» llevó a un GPT-3 del 17,7 % al 78,7 % en problemas aritméticos (Kojima et al., 2022; Buckner, 2024, p. 280). Si una fórmula mágica multiplica por cuatro el rendimiento, ¿qué estaba midiendo exactamente la prueba sin ella: la capacidad del modelo o nuestra habilidad para pedírsela?