Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Θερμοκρασία

Μάθημα 9 / 16 Ενημερώθηκε 2 Νοεμβρίου 2026 Αρχάριος
Σε αυτήν τη σελίδα
  1. Έλεγχος της δημιουργικότητας του μοντέλου
  2. Πώς λειτουργεί η θερμοκρασία
  3. Χρήση της θερμοκρασίας με το Mistral API
  4. Η θερμοκρασία 0 δεν είναι απόλυτα ντετερμινιστική
  5. Προσαρμογή της θερμοκρασίας στο πλαίσιο
  6. Πειραματιστείτε για να βρείτε τη σωστή ρύθμιση
  7. Βασικά σημεία

Έλεγχος της δημιουργικότητας του μοντέλου

Μέχρι τώρα, εστιάσαμε στο περιεχόμενο των αιτημάτων (prompts) σας. Τώρα εξετάζουμε έναν άλλο εξίσου ισχυρό μοχλό: τις παραμέτρους δημιουργίας. Η πρώτη και πιο θεμελιώδης είναι η θερμοκρασία. Επηρεάζει άμεσα την κατανομή πιθανότητας των token, καθορίζοντας αν το μοντέλο θα συμπεριφερθεί ντετερμινιστικά—παράγοντας προβλέψιμες, σχεδόν πανομοιότυπες απαντήσεις από κλήση σε κλήση—ή δημιουργικά, παράγοντας ποικίλα και μερικές φορές εκπληκτικά αποτελέσματα. Το ίδιο αίτημα, σταλμένο με δύο διαφορετικές θερμοκρασίες, μπορεί να αποδώσει είτε μια λιτή τεχνική προδιαγραφή είτε ένα κείμενο που κινείται σε απρόβλεπτες κατευθύνσεις. Η κατανόηση αυτής της παραμέτρου είναι απαραίτητη για να προσαρμόσετε τη συμπεριφορά του μοντέλου Mistral σε κάθε περίπτωση χρήσης.

Πώς λειτουργεί η θερμοκρασία

Ανακαλέστε τον βασικό μηχανισμό: σε κάθε βήμα δημιουργίας, το μοντέλο υπολογίζει μια πιθανότητα για κάθε πιθανό token και στη συνέχεια επιλέγει ένα. Η θερμοκρασία τροποποιεί το σχήμα αυτής της κατανομής πριν από την επιλογή. Με χαμηλή θερμοκρασία, κοντά στο 0, η κατανομή γίνεται «αιχμηρή»: το μοντέλο εστιάζει σχεδόν αποκλειστικά στα πιο πιθανά token, καθιστώντας τις απαντήσεις προβλέψιμες και συνεπείς. Ζητήστε του την πρωτεύουσα της Ιταλίας με θερμοκρασία 0,1 και θα λάβετε σχεδόν την ίδια πρόταση κάθε φορά.

Με υψηλή θερμοκρασία, κοντά στο 1, η κατανομή αντίθετα «επιπεδώνεται»: τα λιγότερο πιθανά token γίνονται ξανά προσβάσιμα, το μοντέλο εξετάζει ένα ευρύτερο φάσμα πιθανών ακολουθιών και οι απαντήσεις αποκτούν ποικιλία—μερικές φορές εις βάρος της συνοχής. Αυτό ακριβώς θέλετε για τον καταιγισμό ιδεών (brainstorming) και αυτό ακριβώς θέλετε να αποφύγετε για την εξαγωγή δεδομένων. Ο παρακάτω πίνακας συνοψίζει τα χρήσιμα εύρη.

Θερμοκρασία Συμπεριφορά Περιπτώσεις Χρήσης
0.0 Σχεδόν ντετερμινιστική, πάντα το πιο πιθανό token Εξαγωγή δεδομένων, ταξινόμηση, πραγματικές απαντήσεις
0.1 - 0.3 Πολύ προβλέψιμη με ελαφριές παραλλαγές Δημιουργία κώδικα, μετάφραση, τεχνική τεκμηρίωση
0.4 - 0.6 Ισορροπία μεταξύ συνοχής και ποικιλίας Επαγγελματική γραφή, διατύπωση εκ νέου, σύνοψη
0.7 - 0.8 Δημιουργική με καλή συνοχή Καταιγισμός ιδεών, κείμενα μάρκετινγκ, αφήγηση
0.9 - 1.0 Πολύ δημιουργική, εκπληκτική, μερικές φορές ασυνεπής Ποίηση, μυθοπλασία, ελεύθερη ιδεογένεση, εξερεύνηση

Χρήση της θερμοκρασίας με το Mistral API

Στο API, η θερμοκρασία περνάει ως μια απλή παράμετρος κλήσης. Συγκρίνετε αυτά τα δύο αιτήματα: το πρώτο αναμένει μια πραγματική και σταθερή απάντηση, το δεύτερο αναζητά ποικιλία.

from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

# Χαμηλή θερμοκρασία: πραγματική και ντετερμινιστική απάντηση
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "What is the ROI formula?"}],
    temperature=0.1
)

# Υψηλή θερμοκρασία: δημιουργική και ποικίλη απάντηση
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "Invent a slogan for an organic coffee brand."}],
    temperature=0.8
)

Η θερμοκρασία 0 δεν είναι απόλυτα ντετερμινιστική

Μια κοινή παρεξήγηση πρέπει να διορθωθεί αμέσως: ακόμη και με temperature=0, οι απαντήσεις του Mistral μπορεί να παρουσιάσουν ελαφριές παραλλαγές από αίτημα σε αίτημα. Αυτό συμβαίνει λόγω παραγόντων υλικού—υπολογισμοί κινητής υποδιαστολής, παραλληλοποίηση GPU—που εισάγουν μικροσκοπικές διαφορές στη στρογγυλοποίηση, αρκετές για να ανατρέψουν περιστασιακά την επιλογή ενός token. Επομένως, αν κατασκευάζετε αυτοματοποιημένες δοκιμές ή benchmarks όπου η αναπαραγωγιμότητα είναι κρίσιμη, μην βασίζεστε μόνο στο temperature=0: συνδυάστε μια χαμηλή θερμοκρασία με έναν έλεγχο από την πλευρά του κώδικα που επικυρώνει την ουσία της απάντησης και όχι την ακριβή μορφή της.

Προσαρμογή της θερμοκρασίας στο πλαίσιο

Ας δούμε πώς αυτή η ρύθμιση λειτουργεί σε τρεις τυπικές επαγγελματικές καταστάσεις. Για ταξινόμηση ή εξαγωγή, θέλετε η ίδια κριτική πελάτη να αποδίδει πάντα το ίδιο συμπέρασμα: αυτό απαιτεί θερμοκρασία 0.

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "system", "content": "Classify the sentiment: positive, neutral, negative."},
        {"role": "user", "content": "The product works correctly."}
    ],
    temperature=0.0
)

Για κείμενα μάρκετινγκ, μια υπερβολικά μηχανική απάντηση θα ήταν ανιαρή· στο 0,7, το μοντέλο ποικίλλει τη διατύπωσή του παραμένοντας συνεπές—ιδανικό για την παραγωγή several hooks και την επιλογή του καλύτερου.

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "system", "content": "You are a creative copywriter."},
        {"role": "user", "content": "Write 3 hooks for an email campaign."}
    ],
    temperature=0.7
)

Για τον καταιγισμό ιδεών (brainstorming) τέλος, ανεβείτε στο 0,9: αποδέχεστε ότι ορισμένες ιδέες θα είναι τραβηγμένες, καθώς θα τις φιλτράρετε αργότερα. Δέκα leads με τρία εξαιρετικά είναι καλύτερα από πέντε leads που είναι όλα λογικά και όλα ήδη γνωστά.

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "Propose 10 innovative feature ideas for a fitness app."}
    ],
    temperature=0.9
)

Πειραματιστείτε για να βρείτε τη σωστή ρύθμιση

Δεν υπάρχει καθολικά βέλτιστη θερμοκρασία: η σωστή τιμή εξαρτάται από το αίτημά σας, το μοντέλο σας και την ανοχή σας στη μεταβλητότητα. Η μόνη αξιόπιστη μέθοδος είναι ο πειραματισμός, conducted με αυστηρότητα:

  1. Ξεκινήστε με την προεπιλεγμένη τιμή του μοντέλου
  2. Δοκιμάστε το αίτημά σας με 3-4 τιμές θερμοκρασίας (0,1, 0,4, 0,7, 0,9)
  3. Συγκρίνετε τα αποτελέσματα σε 5-10 εκτελέσεις για κάθε τιμή
  4. Εντοπίστε την τιμή που προσφέρει την καλύτερη αναλογία συνοχής/ποικιλίας για την περίπτωσή σας
  5. Τεκμηριώστε την επιλεγμένη ρύθμιση μαζί με το αίτημά σας

Αυτό το τελευταίο σημείο συχνά παραβλέπεται: ένα αίτημα παραγωγής χωρίς τεκμηριωμένη τη θερμοκρασία του είναι ένα ημιτελώς καθορισμένο αίτημα, το οποίο ο συνάδελφός σας θα επαναχρησιμοποιήσει με διαφορετική ρύθμιση και θα αναρωτηθεί γιατί λαμβάνει διαφορετικά αποτελέσματα.

Βασικά σημεία

  • Η θερμοκρασία ελέγχει το επίπεδο δημιουργικότητας έναντι του ντετερμινισμού του μοντέλου
  • Χαμηλές τιμές (0-0,3) για εργασίες βασισμένες σε γεγονότα, υψηλές τιμές (0,7-1,0) για δημιουργικές εργασίες
  • Ακόμη και στη θερμοκρασία 0, είναι πιθανές ελαφριές παραλλαγές
  • Πειραματιστείτε με διάφορες τιμές για να βρείτε τη βέλτιστη ρύθμιση
  • Να τεκμηριώνετε πάντα τη θερμοκρασία που χρησιμοποιείται μαζί με τα αιτήματά σας στην παραγωγή