Zero-shot learning
Zero-shot learning es la capacidad de un modelo de aprendizaje automático de manejar correctamente tareas o clasificar entradas de categorías que nunca vio durante el entrenamiento, aprovechando relaciones semánticas aprendidas y conocimiento pretrenado amplio.
Zero-shot learning (ZSL) es un paradigma de aprendizaje automático en el cual un modelo maneja exitosamente tareas o clasifica elementos pertenecientes a categorías que nunca encontró durante el entrenamiento. En lugar de memorizar ejemplos de clase específicos, el modelo explota conocimiento estructural — descripciones semánticas, vectores de atributos o incrustaciones de lenguaje — para cerrar la brecha entre categorías vistas y no vistas.
Los métodos ZSL típicamente representan tanto clases de entrenamiento como clases objetivo no vistas como puntos en un espacio de incrustación semántica compartido. Un clasificador visual mapea una imagen a este espacio e identifica la representación de clase más cercana, incluso si esa clase tenía cero imágenes de entrenamiento. Los modelos de lenguaje pretrenados grandes logran desempeño zero-shot a través de una ruta diferente: el preentrenamiento en corpus de texto masivo codifica conocimiento del mundo amplio, y un prompt bien elaborado solo es suficiente para obtener un comportamiento correcto en tareas novedosas sin ejemplos adicionales.
El valor práctico de ZSL es sustancial en dominios donde los datos etiquetados son escasos o costosos — imágenes médicas, identificación de especies raras o procesamiento de lenguaje de bajo recurso. Para empresas que despliegan IA de propósito general, la capacidad zero-shot reduce el costo y tiempo requerido para manejar nuevos tipos de tareas al eliminar la necesidad de conjuntos de entrenamiento curados para cada uno.
A partir de 2026, modelos de frontera como GPT-4o (OpenAI), Claude 3.5 y 3.7 (Anthropic) y Gemini 1.5 y 2.0 (Google) exhiben fuerte desempeño zero-shot en un amplio rango de benchmarks, frecuentemente igualando o superando modelos fine-tuneados especializados de hace apenas unos años. La transferencia zero-shot multimodal — usar descripciones de texto para clasificar imágenes o audio — se ha convertido en un eje de evaluación estándar, ejemplificado por CLIP (OpenAI, 2021) y sus numerosos sucesores.