**Few-shot learning** é a técnica de incluir alguns exemplos resolvidos dentro do prompt para que o modelo entenda o padrão esperado — mostrar três e-mails no tom certo antes de pedir o quarto. O nome vem do trabalho que apresentou o GPT-3 em 2020, cujo título já era a tese: modelos de linguagem *aprendem com poucos exemplos*, [sem](https://clubmartech.com.br/blog/sem-avancado-estrategia-roi/) qualquer ajuste de pesos, apenas com o texto do prompt. Funciona, é barato e continua útil. Mas há uma fragilidade medida que raramente aparece nos tutoriais: **a ordem em que os exemplos são apresentados altera o resultado**. Nas palavras dos pesquisadores, a escolha do formato, dos exemplos e **até da ordem deles** pode fazer a acurácia variar **“de quase aleatória a quase estado da arte”**. Os mesmos exemplos, em sequência diferente. E a sensibilidade não some nos modelos maiores.## ⚠️ Três vieses que os exemplos introduzemA pesquisa identificou de onde vem essa instabilidade. Não é aleatório — são tendências sistemáticas:
- **Viés de maioria.** Se a maioria dos exemplos tem o mesmo rótulo, o modelo tende a repetir esse rótulo.
- **Viés de recência.** Os últimos exemplos pesam mais que os primeiros.
- **Viés de token comum.** Palavras frequentes nos exemplos são favorecidas na saída.
Uma técnica de calibração — medir a tendência do modelo com uma entrada vazia e corrigir por ela — melhorou a acurácia média em **até 30 pontos percentuais absolutos** nos [testes](https://clubmartech.com.br/blog/testes-moderados-valide-retrabalho/). A dimensão desse ganho mostra o tamanho do problema que estava lá, invisível.E há um agravante que fecha a questão, o mais relevante para quem opera: **a ordem que funciona bem num modelo não transfere para outro**. Não existe sequência universalmente boa — o prompt calibrado no modelo A simplesmente não está calibrado no modelo B.Uma nota de procedência: circula um par de números específicos ilustrando essa variação por ordem. **Não conseguimos confirmá-los no texto primário** e por isso ficamos com a citação dos autores, que sustenta o mesmo argumento sem risco.## O que isso muda na práticaSe você usa exemplos num prompt de produção — e quase toda operação de [conteúdo](https://clubmartech.com.br/blog/conteudo-longo-prazo-anos/) usa —, três consequências:
- **Teste a ordem, não só o conteúdo dos exemplos.** É uma variável oculta que ninguém costuma versionar. Rode a mesma lista em duas ou três ordens diferentes e compare.
- **Equilibre os rótulos.** Se está classificando leads em “quente” e “frio”, não coloque quatro exemplos quentes e um frio — o viés de maioria vai puxar a classificação.
- **Ao trocar de modelo, revalide o prompt inteiro.** Migrar de fornecedor mantendo o mesmo prompt é assumir que a calibração transfere — e a pesquisa mostra que não transfere.
Sobre “few-shot ainda é necessário nos modelos de 2026”, uma resposta honesta: **não localizamos medição que responda isso**. Os modelos atuais seguem instrução direta muito melhor que os de 2020, mas não encontramos estudo que quantifique quando os exemplos deixaram de compensar. Teste no seu caso — comparar com e sem exemplos leva minutos.A alternativa sem exemplos está em
zero-shot learning, e a instrução de base que molda tudo em
system prompt.## Fontes
- Calibrate Before Use: Improving Few-Shot [Performance](https://clubmartech.com.br/blog/performance-otimizacao-times-estrategico/) of Language Models — ICML 2021
- Fantastically Ordered Prompts — sensibilidade à ordem, 11 tarefas
- Language Models are Few-Shot Learners — Brown et al., o trabalho que nomeou a técnica
*Leitura das fontes em 17/08/2026.*