Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Perusparametrit

Oppitunti 3 / 16 Päivitetty 2. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. API-kutsujen määrittäminen
  2. model-parametri
  3. max_tokens-parametri
  4. temperature-parametri
  5. top_p-parametri
  6. Täydellinen esimerkki kaikilla parametreilla
  7. Keskeiset asiat

API-kutsujen määrittäminen

Vaadittujen model- ja messages-kenttien lisäksi Chat Completions API hyväksyy joukon parametreja, jotka ohjaavat tekstin generointia. Nämä asetukset erottavat toisistaan esimerkiksi laskutiedon ekstraktorin, joka palauttaa aina saman tuloksen samalle laskulle, ja iskulausegeneraattorin, joka ei toista itseään koskaan. Kutsuva koodi pysyy muuttumattomana käyttötarkoituksesta riippumatta; vain asetukset vaihtuvat. Siksi sinun on ymmärrettävä täsmällisesti, mitä kukin parametri tekee.

Tässä ovat parametrit, joita käsittelet päivittäin, niiden tietotyypit ja oletusarvot.

ParametriTyyppiOletusKuvaus
modelmerkkijono—Mallin tunniste (vaadittu)
messagestaulukko—Viestitaulukko (vaadittu)
max_tokenskokonaislukuvaihteleeTuotettujen tokenien enimmäismäärä
temperatureliukuluku0.7Ohjaa luovuutta (0.0–1.5)
top_pliukuluku1.0Ydinotanta (nucleus sampling) (0.0–1.0)
streamtotuusarvofalseOttaa käyttöön SSE-suoratoiston
safe_prompttotuusarvofalseOttaa käyttöön turvallisuussuojaukset

model-parametri

Mallivalintasi määrittää välittömästi jokaisen kutsun ominaisuudet, nopeuden ja kustannukset. Nämä ovat kolme kompromissia, joita et voi korvata myöhemmin muualla. Huhtikuuhun 2026 mennessä ensisijaiset mallit ovat:

# Lippulaivamalli – monimutkainen päättely, monikielisyys
model = "mistral-large-latest"

# Kompakti malli – nopea, edullinen, ihanteellinen tuotantoon
model = "mistral-small-latest"

# Miniatyyrimalli – erittäin nopea, reunapalvelimet (edge computing)
model = "ministral-3b-latest"

# Koodimalli – erikoistunut ohjelmointiin
model = "codestral-latest"

Liite -latest on kätevä kehitysvaiheessa: se osoittaa aina uusimpaan versioon ilman koodimuutoksia. Tuotannossa tämä mukavuus muuttuu kuitenkin riskiksi, sillä Mistralin puolella tapahtuva päivitys voi muuttaa sovelluksesi toimintaa hienovaraisesti. Suosi versionumeroituja tunnisteita, kuten mistral-large-2512, taataksesi testiesi toistettavuuden.

max_tokens-parametri

Tämä parametri asettaa ylärajan tokenien määrälle, jonka malli voi tuottaa vastauksessaan. Se ei pakota mallia tuottamaan tarkalleen tätä määrää; se määrittelee ainoastaan katon, ei mitään muuta.

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "Tiivistä tämä teksti yhteen lauseeseen."}],
    max_tokens=100  # Vastaus ei ylitä 100 tokenia
)

Jos malli saavuttaa tämän rajan, vastaus katkeaa äkillisesti ja finish_reason palauttaa arvon "length" arvon "stop" sijaan. Tämä on yleisin syy vastauksiin, jotka pysähtyvät keskellä lausetta, eikä kukaan huomaa sitä ennen kuin tätä kenttää valvotaan. Oikea reagointitapa on kalibroida katto tehtävän mukaan: luokitteluun riittää 10–50 tokenia, koska odotat vain etikettiä; tiivistelmä vaatii 200–500 tokenia; vapaa muotoilu 1 000–4 000 tokenia; ja koodin generointi saavuttaa helposti 2 000 tai jopa 8 000 tokenia, sillä kokonainen tiedosto on pitkä.

temperature-parametri

Lämpötila ohjaa tokenien valinnan satunnaisuusastetta. Mitä alhaisempi arvo, sitä deterministisempi ja ennustettavampi malli on; mitä korkeampi arvo, sitä enemmän se kokeilee epätodennäköisiä jatkumoita. Faktuaalisissa kysymyksissä haluat edellistä lähestymistapaa, nimikeharjoituksissa jälkimmäistä.

# Matala lämpötila – ekstraktio, luokittelu, faktat
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "Mikä on Ranskan pääkaupunki?"}],
    temperature=0.1
)

# Korkea lämpötila – luovuus, ideointi
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "Keksi nimi tekoälyyritykselle."}],
    temperature=1.2
)

Vaihteluväli on 0.0–1.5. Älä luota arvoon temperature=0 täydelliseen determinismiin: pieniä vaihteluita esiintyy edelleen laitteistotason liukulukupyöristysten vuoksi.

top_p-parametri

Ydinotanta (nucleus sampling) eli Top P vaikuttaa samaan vipuun, mutta eri reittiä: se rajoittaa ehdokastokeneitä kumulatiivisen todennäköisyyskynnyksen perusteella. Arvolla top_p=0.5 kilpailuun jäävät vain ne todennäköisimmät tokenit, joiden yhteenlasketut todennäköisyydet saavuttavat 50 %; loput hylätään suoraan.

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "Täydennä: Kissa on..."}],
    temperature=0.7,
    top_p=0.9  # Huomioi tokenit, jotka kattavat 90 % todennäköisyydestä
)

Mistral suosittelee säätämään vain yhtä parametria kerrallaan, joko lämpötilaa tai top_p:tä, ei koskaan molempia yhdessä. Syy on käytännöllinen: jos tuloste muuttuu oudoksi molempien liukusäätimien siirtämisen jälkeen, mikään ei kerro, kumpi aiheutti muutoksen, ja menetat sekä vianetsittävyyden että toistettavuuden.

Täydellinen esimerkki kaikilla parametreilla

Yhdistettynä yhteen kutsuun nämä asetukset luovat iskulausegeneraattorin, joka on tarkoituksellisen lyhyt ja hieman rohkea, samalla kun se seuraa tokenien kulutusta:

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": "Olet ytimekäs ja iskevä markkinointikirjoittaja."
        },
        {
            "role": "user",
            "content": "Kirjoita iskulause meditaatiosovellukselle."
        }
    ],
    max_tokens=50,
    temperature=0.9,
    top_p=1.0
)

print(response.choices[0].message.content)
print(f"Tokens used: {response.usage.total_tokens}")

Suorita tämä skripti kolme kertaa peräkkäin, korvaa sitten temperature=0.9 arvolla 0.1 ja suorita se vielä kolme kertaa. Ero näiden kahden sarjan välillä opettaa sinulle tästä parametrista enemmän kuin mikään määritelmä voisi.

Keskeiset asiat

  • model ja messages ovat ainoat vaaditut parametrit
  • max_tokens on katto, ei tavoite – tarkista finish_reason havaitaksesi typistyksen
  • Käytä matalaa temperature-arvoa faktuaalisissa tehtävissä, korkeaa luovissa
  • top_p hienosäätää tokenien jakautumista – älä säädä sitä samanaikaisesti temperature-parametrin kanssa
  • Käytä versionumeroituja mallitunnisteita tuotannossa toistettavuuden varmistamiseksi