Temperatura y parámetros de generación
En esta página
Lección reescrita el 3 de noviembre de 2026 según las mejores prácticas de xAI, la referencia de la API (Chat Completions y Responses) y la guía de Reasoning: xAI recomienda una
temperaturede 0,7 y untop_pde 0,95 para sus modelos; las temperaturas superiores a 1 se limitan a 1;top_ptiene un valor predeterminado de 0,95;max_completion_tokenslimita solo la respuesta visible (128.000 tokens por defecto); yseedno garantiza el determinismo. La versión anterior recomendaba temperaturas de hasta 2, untop_ppredeterminado de 1 y un límite que incluía el razonamiento. Fuentes: Mejores prácticas · Chat Completions · Reasoning.
Control de la generación mediante parámetros
Más allá del texto de tu prompt, la API de Grok acepta varios parámetros numéricos que influyen en cómo el modelo genera su respuesta. Con los modelos actuales, la lección principal es contraintuitiva: maneja estos ajustes con gran prudencia y recuerda que el prompt, mucho más que los controles deslizantes, es lo que determina la calidad de la respuesta.

Temperatura
La temperatura controla el grado de aleatoriedad en la selección de tokens. La referencia de la API lo describe de forma clásica: un valor bajo, como 0,2, hace que la salida sea más enfocada y determinista; un valor más alto, como 0,8, la hace más variada. Acepta valores de 0 a 2, pero cualquier valor superior a 1 se muestrea como 1.
Las mejores prácticas de xAI van más allá: establece temperature en 0,7 y no te desvíes apenas de ese valor. Según xAI, los modelos Grok reaccionan mal a otros ajustes de muestreo y la calidad suele caer si los modificas.
{
"model": "grok-4.7",
"messages": [{"role": "user", "content": "Propón un eslogan para una panadería ecológica"}],
"temperature": 0.7,
"top_p": 0.95
}
Para obtener más creatividad, rigor o concisión, usa el prompt en su lugar: pide explícitamente propuestas inesperadas, un tono factual o una respuesta en tres viñetas. Este es el enfoque de las siguientes lecciones.
El parámetro top_p (muestreo de núcleo)
El parámetro top_p limita la elección a los tokens que acumulan una masa de probabilidad dada: con 0,1, solo se consideran los tokens que representan el 10 % superior de probabilidad. Los modelos de texto actuales de Grok tienen esto predeterminado en 0,95, y los valores superiores al predeterminado del modelo se limitan a ese predeterminado.
La referencia de la API repite el consejo habitual de modificar temperature o top_p, pero no ambos. Las mejores prácticas de xAI, más recientes y específicas para sus modelos, piden en cambio establecer ambos explícitamente en cada solicitud —0,7 y 0,95— para que tus resultados no dependan de los valores predeterminados del servidor y para usar los mismos valores en todos los modelos que compares.
max_completion_tokens
Este parámetro limita el número de tokens en la respuesta. Sirve para controlar la longitud y el coste de la parte visible.
{
"model": "grok-4.7",
"messages": [{"role": "user", "content": "Resume este documento en tres puntos"}],
"max_completion_tokens": 500
}
Puntos importantes, según la referencia de la API:
- Se aplica solo a los tokens visibles: el razonamiento y las llamadas a funciones no cuentan; el esfuerzo de razonamiento controla la reflexión
- Sin un valor, su predeterminado es 128.000 tokens; el antiguo
max_tokensestá obsoleto - Si se alcanza el límite, la respuesta se corta y
finish_reasones"length"en lugar de"stop"(la API de Responses llama a este límitemax_output_tokensy señala un estadoincomplete)
El parámetro seed
El parámetro seed solicita que el muestreo del sistema sea lo más determinista posible: solicitudes repetidas con el mismo seed y parámetros deberían producir el mismo resultado. La referencia de la API especifica que el determinismo no está garantizado y remite al campo system_fingerprint en la respuesta para detectar cambios en el lado del servidor.
{
"model": "grok-4.7",
"messages": [{"role": "user", "content": "Genera 5 nombres para startups tecnológicas"}],
"temperature": 0.7,
"top_p": 0.95,
"seed": 42
}
Casos de uso para seed:
- Pruebas y depuración: verifica que un prompt produce resultados estables
- Comparación: prueba diferentes formulaciones de prompt con la misma seed para aislar el efecto del cambio
- Seguimiento: registra
seedysystem_fingerprintcon cada resultado para explicar la varianza
Parámetros rechazados por los modelos de razonamiento
Los modelos actuales de Grok razonan: presence_penalty, frequency_penalty y stop no pueden enviárseles, y una solicitud que los contenga devolverá un error. logprobs, por su parte, se ignora desde Grok 4.20. Si estás migrando código escrito para otro proveedor, elimina estos parámetros.
Configuración recomendada
xAI no propone un conjunto de ajustes por caso de uso: su recomendación es la misma en todas partes.
{"temperature": 0.7, "top_p": 0.95}
Añade un max_completion_tokens adaptado a la longitud esperada según sea necesario, una seed para tus pruebas y, en grok-4.5 a 4.7, un esfuerzo de razonamiento (reasoning_effort) elegido según la dificultad de la tarea: esto, no la temperatura, es lo que arbitra la velocidad, el coste y la profundidad.
Práctica guiada
Envía el mismo prompt tres veces, con temperature en 0,7 y top_p en 0,95, y luego tres veces una versión del prompt que especifique el tono y el formato esperados:
Prompt A: "Propón tres nombres para una app de meditación"
Prompt B: "Propón tres nombres cortos, evocadores e inesperados para una app de meditación
diseñada para ejecutivos ocupados. Un nombre por línea, sin explicación."
Compara la variedad y la relevancia de las respuestas: la diferencia proviene del prompt, no de los parámetros.
Puntos clave
- xAI recomienda
temperatureen 0,7 ytop_pen 0,95, establecidos explícitamente en cada solicitud - Por encima de 1, la temperatura se limita a 1;
top_pno supera el valor predeterminado del modelo (0,95) max_completion_tokenslimita solo la respuesta visible, 128.000 tokens por defectoseedbusca la reproducibilidad sin garantía: haz un seguimiento desystem_fingerprintpresence_penalty,frequency_penaltyystopson rechazados por los modelos de razonamiento