Inicio › Tecnología › Aprendizaje En Contexto
El aprendizaje en contexto es la capacidad de los grandes modelos de lenguaje de adaptar su comportamiento a una tarea nueva a partir de ejemplos incluidos directamente en el prompt, sin modificar ni un solo parámetro interno del modelo. A diferencia del fine-tuning, qué actualiza los pesos de la red mediante entrenamiento adicional, aquí el modelo 'infiere' el patrón deseado únicamente a partir del texto qué recibe en esa misma conversación: unas pocas instrucciones (zero-shot), unos cuantos ejemplos de entrada-salida (few-shot) o una demostración detallada del formato esperado. Es la base de técnicas como el prompt engineering y explica por qué el mismo modelo puede resolver tareas muy distintas —traducir, resumir, clasificar— solo cambiando lo qué se le pide.
Es como explicarle a alguien nuevo en el trabajo cómo hacer una tarea enseñándole dos o tres ejemplos resueltos, sin mandarlo a un curso de formación: entiende el patrón sobre la marcha y lo aplica al siguiente caso. El modelo de lenguaje no 'aprende' de forma permanente, solo usa esos ejemplos mientras dura esa conversación concreta.
Si necesitas qué un modelo clasifique tickets de soporte en categorías específicas de tu empresa, en lugar de reentrenarlo incluye en el prompt tres o cuatro ejemplos representativos con su categoría correcta antes de pedirle qué clasifique el ticket real. Esta técnica de few-shot prompting suele mejorar mucho la precisión frente a pedir la tarea sin ejemplos (zero-shot), y no requiere infraestructura de entrenamiento ni conocimientos de machine learning.
No. Los pesos del modelo no se modifican; el efecto desaparece en cuanto termina esa conversación o sesión, porque toda la 'adaptación' vive únicamente en el texto del prompt, no en los parámetros entrenados.
No hay un número fijo: a veces dos o tres ejemplos bien elegidos superan a diez ejemplos mediocres o poco representativos. Lo qué más influye es qué los ejemplos cubran la variedad real de casos qué el modelo va a encontrar.
No. El fine-tuning reentrena y modifica los pesos del modelo de forma permanente con un conjunto de datos, un proceso costoso en cómputo; el aprendizaje en contexto no toca los pesos y su efecto es temporal, limitado a la ventana de contexto de esa interacción.