O prompting few-shot coloca vários exemplos de entrada e saída no contexto para que o modelo aprenda a tarefa no próprio contexto, sem nenhuma atualização de pesos. Brown et al. (2020) mostraram que essa capacidade surge com a escala e que adicionar alguns exemplos muitas vezes elimina boa parte da diferença em relação a sistemas ajustados por fine-tuning em tarefas comuns.
Os exemplos são mais úteis quando o formato desejado é específico ou incomum — justamente os casos em que o zero-shot costuma vacilar.