In-Context Learning (ICL)

Capacidade de um modelo adaptar o comportamento a instruções, demonstrações ou padrões presentes no contexto da chamada, sem atualizar seus pesos. O efeito dura enquanto aquele contexto estiver disponível e pode orientar classificação, formato, linguagem ou mapeamentos temporários.

ICL não equivale a aprendizado persistente. Ordem, qualidade e distribuição dos exemplos alteram o resultado, e uma demonstração inadequada pode induzir uma regra errada. A comparação com zero-shot e fine-tuning precisa considerar precisão, custo de contexto, manutenção e estabilidade em casos fora dos exemplos.