O quê

Zero-shot prompting é pedir a um modelo que faça uma tarefa sem fornecer nenhum exemplo — apenas a instrução e a entrada. Exemplo: “Classifique este review como positivo ou negativo: ‘O filme arrastou, mas a fotografia salvou.’”. Nenhuma demonstração; o modelo precisa já saber o que “classificar sentimento” significa.

Funciona em LLMs grandes porque, durante o Pre-training, o modelo viu o padrão incontáveis vezes na web (resenhas rotuladas, instruções seguidas de respostas). O GPT-3 (2020) (Brown et al., 2020) foi o que tornou isso notável: modelos grandes fazem zero-shot razoavelmente bem — algo impensável na era pré-LLM, quando cada tarefa exigia treino dedicado.

Em Magik LLM Gathering, é tratado como technique · companion — o baseline de toda interação com um modelo.

Como funciona

Zero-shot vs. few-shot

A diferença é só a presença de exemplos no prompt:

• Zero-shot: instrução + entrada. (“Traduza para o francês: ‘bom dia’”)
• Few-Shot Prompting: instrução + alguns exemplos resolvidos + entrada nova.

Em GPT-3, dar exemplos (In-Context Learning) melhorava muito o desempenho. A surpresa foi que mesmo sem exemplos, o modelo grande já entregava resultado utilizável — sinal de que a tarefa estava latente nos pesos.

Por que o pré-treino habilita zero-shot

Prever a próxima palavra na web inteira força o modelo a internalizar padrões de tarefa: a estrutura “pergunta → resposta”, “texto → resumo”, “frase → tradução” aparece milhões de vezes. O prompt zero-shot apenas ativa esse padrão já aprendido. Quanto maior e melhor treinado o modelo, mais robusto o zero-shot.

Instruction tuning turbinou tudo

O salto de qualidade veio com instruction tuning: FLAN (Wei et al., 2021) e InstructGPT mostraram que fine-tunar o modelo em muitas tarefas formatadas como instruções dispara a capacidade zero-shot em tarefas novas. Por isso assistentes modernos (ChatGPT, Claude) são tão bons em zero-shot: foram explicitamente treinados para obedecer instruções diretas.

Por que importa

É a forma default de usar IA. A esmagadora maioria das interações com LLMs é zero-shot: o usuário pede, o modelo faz. Não se cola exemplos no ChatGPT antes de cada pergunta.

Mede capacidade geral. Desempenho zero-shot é proxy de quão bem o modelo generaliza sem ajuda — por isso benchmarks reportam zero-shot como linha de base de capacidade bruta.

É o ponto de partida da engenharia de prompt. Começa-se sempre por zero-shot; só se escala para Few-Shot Prompting, Chain-of-Thought (CoT) ou ReAct — Reason + Act quando o zero-shot falha. Saber quando parar de complicar é metade da habilidade.

Estado em 2026

• Padrão absoluto. Com modelos instruction-tuned e alinhados por RLHF — Reinforcement Learning from Human Feedback, zero-shot é tão forte que few-shot virou exceção, não regra.
• Raciocínio embutido. Modelos de Test-Time Compute / Inference Scaling fazem cadeias de raciocínio internamente, então até um prompt zero-shot dispara raciocínio elaborado sem precisar pedir “pense passo a passo”.
• Prompt engineering migrou de nível. O foco saiu de “como formatar exemplos” para “como especificar bem a tarefa, o formato e as restrições” em zero-shot.
• Limite conhecido. Tarefas com formato muito específico ou edge cases ainda se beneficiam de um exemplo ou dois — few-shot não morreu, só recuou.

Tratamento de carta — proposta

Zero-Shot Prompt Técnica · LLM-era · custo baixo

Jogue em um Modelo de custo 4+. Ele executa imediatamente uma habilidade que normalmente exigiria “preparação” (exemplos/setup), sem pagar o custo de preparação. Modelos pequenos (custo ≤2) não conseguem — falham no zero-shot.

“Sem exemplos. Sem aquecimento. Só faça.”

A mecânica encena a dependência de escala: só modelos grandes executam bem a tarefa sem demonstração prévia.

Veja também

Few-Shot Prompting · In-Context Learning · GPT-3 (2020) · Chain-of-Thought (CoT)