Hay muchas áreas donde el aprendizaje automático supervisado convencional no funciona bien, por ejemplo, en casos con un número grande o sistemáticamente creciente de clases contablemente infinitas. Se ha propuesto el aprendizaje cero disparo para abordar esto. En configuraciones generalizadas, el problema del aprendizaje cero disparo representa aplicaciones del mundo real donde las instancias de prueba están presentes durante la inferencia. Por separado, recientemente ha habido un interés creciente en los meta-clasificadores, que combinan los resultados de clasificaciones individuales para mejorar la calidad de la clasificación en general. En este contexto, el propósito del presente artículo es doble: primero, se compara el rendimiento de cinco métodos de aprendizaje cero disparo generalizados de última generación para cinco conjuntos de datos de referencia populares. En segundo lugar, se prueban experimentalmente seis enfoques de meta-clasificación estándar. En los experimentos realizados, todos los meta-clasificadores se aplicaron a los mismos conjuntos de datos; su rendimiento se comparó entre sí y con los clasificadores originales.