Θερμοκρασία, top_p και Παράμετροι Δημιουργίας
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 3 Νοεμβρίου 2026 βάσει της τεκμηρίωσης της OpenAI: οι παράμετροι
temperatureκαιtop_pγίνονται δεκτές μόνο με επίπεδο συλλογισμού (reasoning effort) ίσο μεnone, ενώ τα μοντέλα GPT-5.6 συλλογίζονται από προεπιλογή (medium). Επομένως, οι κλήσεις που ορίζουν αυτές τις παραμέτρους πρέπει να προσδιορίζουνreasoning={"effort": "none"}(Responses API) ήreasoning_effort="none"(Chat Completions). Πηγές: Χρήση του GPT-6 · GPT-5.6 Terra.
Θερμοκρασία, top_p και Παράμετροι Δημιουργίας
Όταν στέλνετε ένα prompt σε ένα γλωσσικό μοντέλο, το παραγόμενο κείμενο δεν είναι ντετερμινιστικό από προεπιλογή: δύο αυστηρά ίδιες κλήσεις μπορούν να επιστρέψουν δύο διαφορετικές απαντήσεις. Οι παράμετροι δημιουργίας σάς επιτρέπουν να ελέγχετε τον βαθμό δημιουργικότητας ή αυστηρότητας σε αυτές τις απαντήσεις. Η κατοχή αυτών των γνώσεων εξυπηρετεί δύο συγκεκριμένους στόχους: την επίτευξη αποτελεσμάτων προσαρμοσμένων σε κάθε περίπτωση χρήσης και την κατανόηση του πού να αναζητήσετε την αιτία όταν μια σουίτα δοκιμών ολοκλήρωσης (integration test suite) αρχίζει να αποτυγχάνει μία στις τρεις φορές χωρίς προφανή εξήγηση.
Πώς το Μοντέλο Επιλέγει το Επόμενο Token
Σε κάθε βήμα της δημιουργίας, το μοντέλο υπολογίζει μια κατανομή πιθανότητας over ολόκληρο το λεξιλόγιό του και στη συνέχεια δειγματοληπτεί (samples) το επόμενο token από αυτή την κατανομή. Η «καλύτερη» λέξη δεν εμφανίζεται μηχανικά· είναι αποτέλεσμα κλήρωσης. Οι παράμετροι δημιουργίας παρεμβαίνουν πριν από τη δειγματοληψία, είτε σφίγγοντας την κατανομή γύρω από τους πιο πιθανούς υποψηφίους είτε ισοπεδώνοντάς την για να δώσουν ευκαιρία και στους λιγότερο πιθανούς. Οι δύο παρακάτω κλήσεις απεικονίζουν τα άκρα αυτής της ανάγκης: ένα σλόγκαν για φούρνο έχει αξία μόνο αν εκπλήσσει, ενώ η σύνταξη μιας list comprehension δεν πρέπει ποτέ να εκπλήσσει.
from openai import OpenAI
client = OpenAI()
# Δημιουργική απάντηση (υψηλή θερμοκρασία)
response_creative = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # η θερμοκρασία απαιτεί effort none
instructions="Είσαι ένας δημιουργικός συγγραφέας.",
input="Πρότεινε ένα σλόγκαν για έναν artesanal φούρνο.",
temperature=1.2
)
# Πραγματιστική απάντηση (χαμηλή θερμοκρασία)
response_factual = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # η θερμοκρασία απαιτεί effort none
instructions="Είσαι ένας ακριβής τεχνικός βοηθός.",
input="Ποια είναι η σύνταξη μιας list comprehension στην Python;",
temperature=0.1
)
Θερμοκρασία (Temperature)
Η θερμοκρασία είναι ένας πολλαπλασιαστικός παράγοντας που εφαρμόζεται στα logits πριν από την softmax. Στο 0, η κατανομή σφίγγει σε τέτοιο βαθμό ώστε το μοντέλο να επιλέγει πάντα το πιο πιθανό token: η συμπεριφορά γίνεται quasi-ντετερμινιστική, κάτι που ακριβώς θέλετε από έναν εξαγωγέα δεδομένων που επαναλαμβάνεται σε ένα unit test. Μεταξύ 0.1 και 0.3, οι απαντήσεις παραμένουν πολύ συνεπείς από κλήση σε κλήση: αυτό είναι το έδαφος του κώδικα και των πραγματιστικών απαντήσεων. Το εύρος 0.7 έως 0.9 ισορροπεί τη δημιουργικότητα και τη συνέπεια, κατάλληλο για γενική συγγραφή. Πέρα από αυτό, μεταξύ 1.0 και 1.5, τα αποτελέσματα γίνονται ποικίλα και μερικές φορές αποπροσανατολιστικά—το επιθυμητό εφέ για brainstorming, αλλά ένα θανατηφόρο ελάττωμα οπουδήποτε αλλού.
Ο παρακάτω πίνακας συγκεντρώνει ρυθμίσεις που λειτουργούν καλά για τις πιο συχνές περιπτώσεις χρήσης. Αντιμετωπίστε τον ως σημείο εκκίνησης για επικύρωση στα δικά σας prompts: ένα αυστηρά περιορισμένο prompt ανέχεται υψηλότερη θερμοκρασία από ό,τι ίσως νομίζετε, ενώ ένα χαλαρό prompt εκτροχιάζεται νωρίτερα.
| Περίπτωση Χρήσης | Θερμοκρασία | top_p |
|---|---|---|
| Δημιουργία Κώδικα | 0.0 – 0.2 | 1.0 |
| Εξαγωγή Δεδομένων | 0.0 | 1.0 |
| Επαγγελματική Συγγραφή | 0.5 – 0.7 | 0.9 |
| Brainstorming | 1.0 – 1.3 | 0.95 |
| Δημιουργική Συγγραφή | 1.0 – 1.5 | 0.9 |
Top_p (Δειγματοληψία Πυρήνα)
Η παράμετρος top_p δρα στην ίδια κατανομή, αλλά μέσω ενός εντελώς διαφορετικού μηχανισμού: φιλτράρει τα tokens με βάση τη σωρευτική τους πιθανότητα. Με top_p=0.9, το μοντέλο λαμβάνει υπόψη μόνο τα tokens των οποίων η σωρευτική πιθανότητα φτάνει το 90%, αφαιρώντας καθαρά και απλά την ουρά των απίθανων επιλογών. Εκεί που η θερμοκρασία παραμορφώνει τις πιθανότητες όλων των υποψηφίων, το top_p περικόπτει τη λίστα των αποδεκτών υποψηφίων.
response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # η θερμοκρασία απαιτεί effort none
instructions="Δημιούργησε μια τεχνική σύνοψη.",
input="Συνοψίστε πώς λειτουργεί το TLS 1.3.",
temperature=0.3,
top_p=0.95
)
Αυτό οδηγεί σε έναν πρακτικό κανόνα που δεν θα μετανιώσετε να εφαρμόσετε: μην πειράζετε ταυτόχρονα τη θερμοκρασία και το top_p. Επειδή και τα δύο δρουν στον ίδιο μηχανισμό, δεν θα μπορείτε να αποδώσετε το παρατηρούμενο εφέ στο ένα ή στο άλλο, και οι ρυθμίσεις σας θα γίνουν θέμα δεισιδαιμονίας. Προσαρμόστε μία παράμετρο, αφήνοντας την άλλη στην προεπιλεγμένη τιμή της· η OpenAI συνιστά να ξεκινάτε με τη θερμοκρασία.
Άλλες Παράμετροι που έχουν Σημασία
Το max_output_tokens περιορίζει το μήκος της απάντησης σε tokens. Αυτή είναι η ασφάλειά σας τόσο για το κόστος όσο και για τις ατέλειωτες απαντήσεις, ιδιαίτερα χρήσιμη όταν η έξοδος πρέπει να χωρέσει σε ένα πεδίο διεπαφής με περιορισμούς: μια απάντηση που πλαισιώνεται κατά τη δημιουργία είναι καλύτερη από την περικοπή στην πλευρά της εμφάνισης.
response = client.responses.create(
model="gpt-5.6-terra",
instructions="Απάντησε σε μία πρόταση.",
input="Τι είναι το DNS;",
max_output_tokens=100
)
Από το GPT-5.6 και μετά, ο συλλογισμός δεν είναι πλέον ένα ξεχωριστό μοντέλο: είναι μια ρύθμιση που ελέγχει τον χρόνο αναστοχασμού σε όλη την οικογένεια μοντέλων.
response = client.responses.create(
model="gpt-5.6-terra",
input="Λύστε αυτή τη διαφορική εξίσωση: y' + 2y = e^(-x)",
reasoning={
"effort": "high" # "none", "low", "medium", "high", "xhigh", "max"
}
)
Το επίπεδο low απαντά γρήγορα σε απλές ερωτήσεις, το medium αποτελεί μια τίμια συμβιβαστική λύση για την πλειοψηφία των εργασιών, και το high ενεργοποιεί βαθύ συλλογισμό που πρέπει να rezervάρεται για γνήσια δύσκολα προβλήματα. Η παραπάνω διαφορική εξίσωση το αξίζει· η διατύπωση μιας πρότασης καλωσορίσματος όχι—θα πληρώνατε για χρόνο συλλογισμού σε μια εργασία που δεν τον απαιτεί.
Παρατηρήστε τη Διακύμανση Μόνοι Σας
Τίποτα δεν αντικαθιστά το να δείτε αυτές τις ρυθμίσεις εν δράσει. Γράψτε ένα script Python που στέλνει το ίδιο prompt στο GPT-5.6 Terra με πέντε τιμές θερμοκρασίας (0, 0.3, 0.7, 1.0 και 1.3) και εμφανίζει τις πέντε εξόδους δίπλα-δίπλα. Επιλέξτε μια frankly δημιουργική οδηγία, για παράδειγμα, «Επινοήστε ένα όνομα για μια startup AI»: η σχεδόν λέξη-προς-λέξη επανάληψη στο 0 και η διασπορά στο 1.3 γίνονται αδύνατο να μην προσέξετε, και αυτή η οπτική μνήμη θα χρησιμεύσει ως σημείο αναφοράς πολύ περισσότερο από έναν πίνακα τιμών.
Βασικά σημεία
- Η θερμοκρασία ελέγχει τη διασπορά της κατανομής πιθανότητας
- Το
top_pφιλτράρει τα tokens με βάση τη σωρευτική πιθανότητα - Μην τροποποιείτε ποτέ και τα δύο ταυτόχρονα
- Χαμηλή θερμοκρασία για πραγματιστικές εργασίες, υψηλή για δημιουργικές
- Η ρύθμιση συλλογισμού (από none έως max) εφαρμόζεται σε όλη την οικογένεια GPT-5.6