Ir al contenido principal
Español— Elegir un idioma
Menú

Temperatura

Lección 9 de 16 Actualizado el 2 de noviembre de 2026 Principiante
En esta página
  1. Controla la creatividad del modelo
  2. Cómo funciona la temperatura
  3. Uso de la temperatura con la API de Mistral
  4. La temperatura 0 no es perfectamente determinista
  5. Adapta la temperatura al contexto
  6. Experimenta para encontrar el ajuste correcto
  7. Puntos clave

Controla la creatividad del modelo

Hasta ahora nos hemos centrado en el contenido de tu prompt. Ahora abordaremos otra palanca igual de potente: los parámetros de generación. El primero y más fundamental es la temperatura. Este parámetro actúa directamente sobre la distribución de probabilidad de los tokens, determinando si el modelo se comporta de forma determinista —produciendo respuestas predecibles y casi idénticas en cada llamada— o creativa, generando resultados variados y a veces sorprendentes. El mismo prompt enviado con dos temperaturas distintas puede dar lugar a una especificación técnica sobria o a un texto que toma direcciones inesperadas. Entender este parámetro es esencial para adaptar el comportamiento de los modelos Mistral a cada caso de uso.

Cómo funciona la temperatura

Recuerda el mecanismo básico: en cada paso de generación, el modelo calcula una probabilidad para cada token posible y luego selecciona uno. La temperatura modifica la forma de esta distribución antes de la selección. Con una temperatura baja, cercana a 0, la distribución se vuelve «aguda»: el modelo se centra casi exclusivamente en los tokens más probables, lo que hace que las respuestas sean predecibles y consistentes. Si le pides la capital de Italia con una temperatura de 0,1, obtendrás prácticamente la misma frase cada vez.

Con una temperatura alta, cercana a 1, la distribución se «aplana»: los tokens menos probables vuelven a ser accesibles, el modelo considera un abanico más amplio de secuencias posibles y las respuestas ganan variedad, a veces a costa de la coherencia. Esto es exactamente lo que buscas para una lluvia de ideas, y justamente lo que debes evitar para la extracción de datos. La siguiente tabla resume los rangos útiles.

Temperatura Comportamiento Casos de uso
0,0 Casi determinista, siempre el *token* más probable Extracción de datos, clasificación, respuestas factuales
0,1 - 0,3 Muy predecible con ligeras variaciones Generación de código, traducción, documentación técnica
0,4 - 0,6 Equilibrio entre coherencia y variedad Redacción profesional, reformulación, resumenes
0,7 - 0,8 Creativo con buena coherencia Lluvia de ideas, textos de marketing, narrativa
0,9 - 1,0 Muy creativo, sorprendente, a veces incoherente Poesía, ficción, ideación libre, exploración

Uso de la temperatura con la API de Mistral

En la API, la temperatura se pasa como un parámetro simple de la llamada. Compara estas dos solicitudes: la primera espera una respuesta factual y estable; la segunda busca variedad.

from mistralai.client import Mistral

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

# Temperatura baja: respuesta factual y determinista
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "What is the ROI formula?"}],
    temperature=0.1
)

# Temperatura alta: respuesta creativa y variada
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "Invent a slogan for an organic coffee brand."}],
    temperature=0.8
)

La temperatura 0 no es perfectamente determinista

Hay que corregir de inmediato un error común: incluso con temperature=0, las respuestas de Mistral pueden mostrar ligeras variaciones de una solicitud a otra. Esto ocurre debido a factores de hardware —cálculos en coma flotante, paralelización de la GPU— que introducen mínimas diferencias en el redondeo, suficientes para inclinar ocasionalmente la elección de un token. Por tanto, si estás construyendo pruebas automatizadas o benchmarks donde la reproducibilidad es crítica, no confíes únicamente en temperature=0: combina una temperatura baja con una validación del lado del código que verifique el contenido de la respuesta en lugar de su forma exacta.

Adapta la temperatura al contexto

Veamos cómo se comporta este ajuste en tres situaciones profesionales típicas. Para clasificación o extracción, quieres que la misma reseña de cliente produzca siempre el mismo veredicto: eso es temperatura 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
)

Para textos de marketing, una respuesta demasiado mecánica resultaría sosa; con 0,7, el modelo varía su redacción manteniendo la coherencia, lo ideal para producir varios ganchos y elegir el mejor.

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
)

Para una lluvia de ideas, finalmente, sube hasta 0,9: aceptas que algunas ideas sean descabelladas, ya que las filtrarás después. Diez pistas con tres excelentes son mejores que cinco pistas que sean todas razonables y todas ya vistas.

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

Experimenta para encontrar el ajuste correcto

No existe una temperatura óptima universal: el valor adecuado depende de tu prompt, de tu modelo y de tu tolerancia a la variabilidad. El único método fiable es la experimentación, llevada a cabo con rigor:

  1. Comienza con el valor predeterminado del modelo.
  2. Prueba tu prompt con 3-4 valores de temperatura (0,1; 0,4; 0,7; 0,9).
  3. Compara los resultados en 5-10 ejecuciones para cada valor.
  4. Identifica el valor que ofrece la mejor relación coherencia/variedad para tu caso.
  5. Documenta el ajuste elegido junto con tu prompt.

Este último punto se pasa por alto a menudo: un prompt de producción sin su temperatura documentada es un prompt especificado a medias; tu compañero lo reutilizará con un ajuste distinto y se preguntará por qué obtiene resultados diferentes.

Puntos clave

  • La temperatura controla el nivel de creatividad frente al determinismo del modelo.
  • Valores bajos (0-0,3) para tareas factuales; valores altos (0,7-1,0) para tareas creativas.
  • Incluso con temperatura 0, son posibles ligeras variaciones.
  • Experimenta con varios valores para encontrar el ajuste óptimo.
  • Documenta siempre la temperatura utilizada junto con tus prompts en producción.