Um auditor fiscal da SEFAZ Nacional precisa analisar um relatório técnico sobre o uso de LLMs em auditoria tributária. O relatório contém as seguintes afirmações:

• I. A engenharia de prompts few-shot é sempre mais eficaz que a zero-shot, independentemente da complexidade da tarefa.
• II. O fenômeno de alucinação em LLMs pode ser mitigado com a técnica de chain-of-thought, que força o modelo a explicitar raciocínios intermediários.
• III. A janela de contexto de um LLM define o número máximo de tokens que podem ser processados em uma única inferência, incluindo prompt e resposta.
• IV. O ajuste fino (fine-tuning) de um LLM é a única maneira de adaptá-lo a um domínio específico, sendo superior ao aprendizado em contexto (in-context learning).

Considerando os conceitos de LLMs, IA generativa e engenharia de prompts, quais afirmações estão corretas?