Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Lämpötila

Oppitunti 9 / 16 Päivitetty 2. marraskuuta 2026 Aloittelija
Tällä sivulla
  1. Mallin luovuuden hallinta
  2. Miten lämpötila toimii
  3. Lämpötilan käyttö Mistral API:ssa
  4. Lämpötila 0 ei ole täysin deterministinen
  5. Mukauta lämpötila kontekstiin
  6. Kokeile löytääksesi oikean asetuksen
  7. Keskeiset asiat

Mallin luovuuden hallinta

Tähän asti olemme keskittyneet kehotteesi sisältöön. Nyt siirrymme käsittelemään toista yhtä tehokasta vipua: generointiparametreja. Ensimmäinen ja perustavanlaatuisin niistä on lämpötila (temperature). Se vaikuttaa suoraan tokenien todennäköisyysjakaumaan ja määrittää, toimiko malli deterministisesti – tuottaen ennustettavia, lähes identtisiä vastauksia kutsusta toiseen – vai luovasti,生成en vaihtelevaa ja joskus yllättävää sisältöä. Sama kehote lähetettynä kahdella eri lämpötilalla voi tuottaa joko selkeän teknisen eritelmän tai tekstin, joka suuntautuu odottamattomiin suuntiin. Tämän parametrin ymmärtäminen on välttämätöntä, jotta voit mukauttaa Mistral-mallin toiminnan jokaiseen käyttötarkoitukseen.

Miten lämpötila toimii

Muistele perusmekanismia: jokaisessa generointivaiheessa malli laskee todennäköisyyden jokaiselle mahdolliselle tokenille ja valitsee sitten yhden. Lämpötila muokkaa tämän jakauman muotoa ennen valintaa. Matalalla lämpötilalla, lähellä nollaa, jakaumasta tulee “terävä”: malli keskittyy lähes yksinomaan todennäköisimpiin tokeneihin, mikä tekee vastauksista ennustettavia ja johdonmukaisia. Jos kysyt siltä Italian pääkaupunkia lämpötilassa 0,1, saat lähes saman lauseen joka kerta.

Korkealla lämpötilalla, lähellä yhtä, jakauma sen sijaan “litistyy”: epätodennäköisemmät tokenit tulevat jälleen saataville, malli ottaa huomioon laajemman kirjon mahdollisia sekvenssejä ja vastaukset saavat vaihtelua – joskus johdonmukaisuuden kustannuksella. Tämä on täsmälleen sitä, mitä haluat aivoriihissä, ja täsmälleen sitä, mitä haluat välttää tiedonpoiminnassa. Seuraava taulukko tiivistää hyödylliset alueet.

Lämpötila Toiminta Käyttökohteet
0.0 Lähes deterministinen, aina todennäköisin token Tiedonpoiminta, luokittelu, faktapohjaiset vastaukset
0.1 - 0.3 Erittäin ennustettava, pieniä vaihteluita Koodin generointi, kääntäminen, tekninen dokumentaatio
0.4 - 0.6 Tasapaino johdonmukaisuuden ja vaihtelun välillä Ammattimainen kirjoittaminen, uudelleenmuotoilu, tiivistäminen
0.7 - 0.8 Luova, hyvä johdonmukaisuus Aivoriihi, markkinointitekstit, tarinankerronta
0.9 - 1.0 Erittäin luova, yllättävä, joskus epälooginen Runous, fiktiivinen kirjoittaminen, vapaa ideointi, tutkimus

Lämpötilan käyttö Mistral API:ssa

API:ssa lämpötila välitetään yksinkertaisena kutsuparametrina. Vertaa näitä kahta pyyntöä: ensimmäinen odottaa faktapohjaista ja vakaata vastausta, toinen hakee vaihtelua.

from mistralai.client import Mistral

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

# Matala lämpötila: faktapohjainen ja deterministinen vastaus
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "What is the ROI formula?"}],
    temperature=0.1
)

# Korkea lämpötila: luova ja vaihteleva vastaus
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "Invent a slogan for an organic coffee brand."}],
    temperature=0.8
)

Lämpötila 0 ei ole täysin deterministinen

Yleinen väärinkäsitys on korjattava heti: vaikka asettaisit temperature=0, Mistralin vastaukset voivat näyttää pieniä vaihteluita pyynnöstä toiseen. Tämä johtuu laitteistotekijöistä – liukulukulaskennasta, GPU-rinnakkaisprosessoinnista – jotka tuovat mukanaan pieniä pyöristyseroja. Ne voivat riittää kääntämään tokenin valinnan toisinaan toiseen suuntaan. Jos siis rakennat automatisoituja testejä tai vertailukohtia, joissa toistettavuus on kriittistä, älä luota pelkkään temperature=0:aan. Yhdistä matala lämpötila koodipuolen tarkistukseen, joka validoi vastauksen sisällön eikä sen tarkkaa muotoa.

Mukauta lämpötila kontekstiin

Katsotaan, miten tämä asetus toimii kolmessa tyypillisessä ammattimaisessa tilanteessa. Luokittelussa tai tiedonpoiminnassa haluat saman asiakasarvion tuottavan aina saman tuomion: tähän käytetään lämpötilaa 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
)

Markkinointiteksteissä liian mekaaninen vastaus olisi mauton; lämpötilassa 0,7 malli vaihtelee sanamuotojaan pysyen kuitenkin johdonmukaisena – ihanteellista useiden koukkujen tuottamiseen ja parhaan valitsemiseen.

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
)

Aivoriihissä voit lopulta nostaa arvon 0,9:aan: hyväksyt, että jotkin ideat ovat kaukaa haettuja, sillä seulot ne myöhemmin. Kymmenen liidia, joista kolme on erinomaisia, on parempi kuin viisi liidia, jotka ovat kaikki kohtuullisia ja jo ennestään nähtyjä.

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

Kokeile löytääksesi oikean asetuksen

Yleispätevää optimaalista lämpötilaa ei ole: oikea arvo riippuu kehotteestasi, mallistasi ja toleranssistasi vaihtelulle. Ainoa luotettava menetelmä on kokeilu, joka suoritetaan kurinalaisesti:

  1. Aloita mallin oletusarvosta
  2. Testaa kehotettasi 3–4 eri lämpötilalla (0,1; 0,4; 0,7; 0,9)
  3. Vertaa tuloksia 5–10 suorituksen ajalta kullakin arvolla
  4. Tunnista arvo, joka tarjoaa parhaan johdonmukaisuuden ja vaihtelun suhteen tapaukseesi
  5. Dokumentoi valittu asetus kehotteesi yhteyteen

Tätä viimeistä kohtaa laiminlyödään usein: tuotantokehote, jonka lämpötilaa ei ole dokumentoitu, on vain puoliksi määritelty kehote. Kollegasi käyttää sitä eri asetuksella ja ihmettelee, miksi saa erilaisia tuloksia.

Keskeiset asiat

  • Lämpötila ohjaa mallin luovuuden ja determinismin tasoa
  • Matalat arvot (0–0,3) faktapohjaisiin tehtäviin, korkeat arvot (0,7–1,0) luoviin tehtäviin
  • Jopa lämpötilassa 0 pienet vaihtelut ovat mahdollisia
  • Kokeile useita arvoja löytääksesi optimaalisen asetuksen
  • Dokumentoi aina käyttämäsi lämpötila kehotteidesi yhteyteen tuotannossa