Vamos analisar as alternativas com base nos conceitos de Zero-shot e Few-shot learning em Large Language Models (LLMs): a) No Few-shot, o usuário deve fornecer milhões de exemplos para o modelo entender. — Incorreto. Few-shot learning usa poucos exemplos, não milhões. b) O aprendizado Few-shot exige que o modelo altere seus pesos internos permanentemente a cada exemplo. — Incorreto. Few-shot learning em LLMs geralmente não altera os pesos do modelo, apenas usa exemplos no prompt. c) Zero-shot learning é impossível em LLMs devido à necessidade constante de treinamento adicional. — Incorreto. Zero-shot learning é possível e comum em LLMs, que respondem a tarefas sem exemplos. d) A principal diferença é que o Zero-shot utiliza dados rotulados massivos para cada consulta. — Incorreto. Zero-shot não usa dados rotulados para cada consulta. e) No Zero-shot o modelo recebe apenas instruções, enquanto no Few-shot ele recebe exemplos práticos. — Correto. Zero-shot usa apenas instruções (prompt), Few-shot inclui exemplos no prompt. Portanto, a alternativa correta é: e. No Zero-shot o modelo recebe apenas instruções, enquanto no Few-shot ele recebe exemplos práticos.