Le prompting few-shot place plusieurs exemples d’entrée-sortie dans le contexte pour que le modèle apprenne la tâche en contexte, sans aucune mise à jour des poids. Brown et al. (2020) ont montré que cette capacité émerge avec la taille du modèle, et qu’ajouter quelques exemples comble souvent une grande partie de l’écart avec les systèmes affinés sur les tâches courantes.
Les exemples sont surtout utiles lorsque le format attendu est spécifique ou inhabituel — précisément les cas où le zero-shot a tendance à vaciller.