# Clasificación zero-shot: cómo un modelo entiende reglas escritas con palabras

> ¿Cómo aplica un modelo «Nada de spoilers» sin haberse entrenado con esa regla? Inferencia de lenguaje natural y reglas de moderación personalizadas.

Source: https://www.vigimod.com/es/learn/zero-shot-classification-nli · VigiMod (https://www.vigimod.com) · actualizado el 2026-11-11 · 7 min

## En resumen

- Un clasificador zero-shot puede comprobar categorías con las que nunca se entrenó, escritas como frases.
- Muchos funcionan con inferencia de lenguaje natural (NLI): ¿este texto implica esta hipótesis?
- Las reglas de moderación personalizadas («No vender cuentas») se convierten en hipótesis puntuadas como cualquier categoría.
- Las reglas cortas y concretas funcionan mejor; las vagas dan puntuaciones vagas.

## El problema

Un clasificador clásico solo conoce las categorías con las que se entrenó. Pero cada comunidad tiene sus propias normas: nada de spoilers, no vender cuentas, solo hablar de fútbol, nada de enlaces a otros servidores. Entrenar un modelo nuevo para cada norma de cada comunidad es imposible.

La **clasificación zero-shot** lo resuelve: el modelo recibe la categoría *como una frase* en el momento de la petición y juzga si el texto encaja con ella.

## Inferencia de lenguaje natural (NLI)

Muchos clasificadores zero-shot se basan en una tarea llamada **inferencia de lenguaje natural**. El modelo recibe dos textos:

- una **premisa** (aquí: el mensaje del chat),
- una **hipótesis** (aquí: una regla o la descripción de una categoría),

y decide si la premisa **implica** la hipótesis, la contradice o es neutral.

| Premisa (mensaje) | Hipótesis | Respuesta |
|---|---|---|
| «jaja el perro muere al final» | «Este mensaje revela la trama de una película o serie.» | implica |
| «¿alguien ha visto el final?» | «Este mensaje revela la trama de una película o serie.» | no implica |
| «vendo mi cuenta nivel 80, escríbeme» | «Este mensaje ofrece comprar o vender cuentas de juegos.» | implica |

La probabilidad de «implica» se convierte en la **puntuación** de la regla. El mismo mecanismo sirve para las categorías fijas: «insulto» es simplemente la hipótesis «Este mensaje insulta a una persona».

## Por qué generaliza

Durante el entrenamiento el modelo ve cientos de miles de pares premisa–hipótesis sobre todo tipo de temas. No aprende las reglas en sí: aprende **la habilidad de comprobar** si un texto encaja con una descripción. Esa habilidad se traslada a reglas que nunca ha visto, en cualquier idioma que conozca el modelo.

## Escribir buenas reglas

- **Lo concreto gana a lo abstracto.** «No comprar, vender ni intercambiar cuentas u objetos» funciona mejor que «Respeta la economía».
- **Una idea por regla.** Divide «Nada de spam ni de política» en dos reglas.
- **Describe el comportamiento, no una lista de palabras.** «No reveles el final de películas o series» detecta los spoilers escritos de cualquier forma.
- **Prueba con ejemplos reales** y ajusta el umbral, como con cualquier categoría.

## El contexto también ayuda a las reglas

«Muere al final» solo es un spoiler si la conversación trata de una serie. Los modelos zero-shot que también leen los mensajes anteriores pueden juzgar reglas que dependen del chat; ver [el contexto en la moderación](https://www.vigimod.com/es/learn/context-in-moderation).

## En VigiMod

Las reglas se envían con cada petición, hasta 10, en cualquier idioma:

`"rules": {"no-spoilers": "Nada de spoilers de películas o series"}`

Cada regla devuelve su propia puntuación y su marca (`rule:no-spoilers`), junto a las categorías integradas. Detalles en la [documentación](https://www.vigimod.com/en/docs).

## Cuestionario

1. ¿Qué significa aquí «zero-shot»?
   Respuesta: El modelo necesita cero ejemplos de una regla para comprobarla. La regla se da como frase en el momento de la petición, sin entrenamiento.
2. En NLI, el mensaje del chat hace el papel de…
   Respuesta: la premisa. El mensaje es la premisa; la regla es la hipótesis.
3. ¿Qué regla funcionará probablemente mejor?
   Respuesta: «No comprar, vender ni intercambiar cuentas de juegos». Las reglas concretas sobre un comportamiento dan puntuaciones más claras.
4. ¿Por qué el modelo puede comprobar una regla que nunca vio?
   Respuesta: Aprendió la habilidad general de comprobar si un texto encaja con una descripción. El entrenamiento NLI enseña a comprobar el encaje, no reglas concretas.