Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Temperatura

Lekcija 9 od 16 Ažurirano 2. studenoga 2026. Početnik
Na ovoj stranici
  1. Kontroliraj kreativnost modela
  2. Kako temperatura funkcionira
  3. Koristi temperaturu s Mistral API-jem
  4. Temperatura 0 nije savršeno deterministička
  5. Prilagodi temperaturu kontekstu
  6. Eksperimentiraj kako bi pronašao pravu postavku
  7. Ključne točke

Kontroliraj kreativnost modela

Do sada smo se fokusirali na sadržaj tvojih promptova. Sada prelazimo na drugu jednako moćnu polugu: parametre generiranja. Prvi i najtemeljniji parametar je temperatura. Ona izravno djeluje na distribuciju vjerojatnosti tokena, određujući hoće li se model ponašati deterministički – proizvodeći predvidljive, gotovo identične odgovore iz poziva u poziv – ili kreativno, generirajući raznolike i ponekad iznenađujuće rezultate. Isti prompt poslan s dvije različite temperature može rezultirati suhom tehničkom specifikacijom ili tekstom koji kreće u neočekivanim smjerovima. Razumijevanje ovog parametra ključno je za prilagodbu ponašanja Mistral modela svakom slučaju upotrebe.

Kako temperatura funkcionira

Sjeti se osnovnog mehanizma: u svakom koraku generiranja model izračunava vjerojatnost za svaki mogući token, a zatim odabire jedan. Temperatura modificira oblik te distribucije prije odabira. Uz nisku temperaturu, blizu 0, distribucija postaje „oštra“: model se fokusira gotovo isključivo na najvjerojatnije tokene, čineći odgovore predvidljivima i dosljednima. Ako ga pitaš za glavni grad Italije na temperaturi 0.1, gotovo svaki put dobit ćeš istu rečenicu.

Uz visoku temperaturu, blizu 1, distribucija se umjesto toga „izravnava“: manje vjerojatni tokeni ponovno postaju dostupni, model razmatra širi raspon mogućih nizova, a odgovori dobivaju na raznolikosti – ponekad na uštrb koherencije. To je točno ono što želiš za oluju ideja, a točno ono što želiš izbjeći pri ekstrakciji podataka. Sljedeća tablica sažima korisne raspone.

Temperatura Ponašanje Slučajevi upotrebe
0.0 Kvazi-deterministički, uvijek najvjerojatniji token Ekstrakcija podataka, klasifikacija, činjenični odgovori
0.1 - 0.3 Vrlo predvidljivo s blagim varijacijama Generiranje koda, prijevod, tehnička dokumentacija
0.4 - 0.6 Ravnoteža između koherencije i raznolikosti Profesionalno pisanje, preformuliranje, sažimanje
0.7 - 0.8 Kreativno uz dobru koherenciju Oluja ideja, marketinški tekstovi, pripovijedanje
0.9 - 1.0 Vrlo kreativno, iznenađujuće, ponekad nekoherentno Poezija, fikcija, slobodno generiranje ideja, istraživanje

Koristi temperaturu s Mistral API-jem

U API-ju se temperatura prosljeđuje kao jednostavan parametar poziva. Usporedi ova dva zahtjeva: prvi očekuje činjeničan i stabilan odgovor, drugi traži raznolikost.

from mistralai.client import Mistral

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

# Niska temperatura: činjeničan i deterministički odgovor
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "What is the ROI formula?"}],
    temperature=0.1
)

# Visoka temperatura: kreativan i raznolik odgovor
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "Invent a slogan for an organic coffee brand."}],
    temperature=0.8
)

Temperatura 0 nije savršeno deterministička

Jednu čestu zabludu treba odmah ispraviti: čak i uz temperature=0, Mistral odgovori mogu pokazati blage varijacije od jednog zahtjeva do drugog. To se događa zbog hardverskih faktora – računanja s pomičnim zarezom, paralelizacije GPU-a – koji uvode sitne razlike u zaokruživanju, dovoljne da povremeno prevagnu izbor tokena. Dakle, ako gradiš automatizirane testove ili referentne vrijednosti gdje je reproduktivnost ključna, nemoj se oslanjati samo na temperature=0: kombiniraj nisku temperaturu s provjerom na strani koda koja validira suštinu odgovora, a ne njegov točan oblik.

Prilagodi temperaturu kontekstu

Pogledajmo kako se ova postavka očituje u tri tipične profesionalne situacije. Za klasifikaciju ili ekstrakciju želiš da ista recenzija kupca uvijek donese istu presudu: to je 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
)

Za marketinške tekstove, previše mehanički odgovor bio bi bezukusan; na 0.7 model varira fraziranje dok ostaje koherentan – idealno za proizvodnju nekoliko uvodnih rečenica i odabir najbolje.

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
)

Za oluju ideja na kraju, idi do 0.9: prihvaćaš da će neke ideje biti dalekosežne, jer ćeš ih kasnije filtrirati. Deset potencijalnih ideja s tri izvrsne bolje je od pet ideja koje su sve razumne i sve već viđene.

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

Eksperimentiraj kako bi pronašao pravu postavku

Ne postoji univerzalno optimalna temperatura: prava vrijednost ovisi o tvom promptu, tvom modelu i tvojoj toleranciji na varijabilnost. Jedina pouzdana metoda je eksperimentiranje, provedeno rigorozno:

  1. Kreni s zadanim modelom
  2. Testiraj svoj prompt s 3-4 vrijednosti temperature (0.1, 0.4, 0.7, 0.9)
  3. Usporedi rezultate kroz 5-10 izvršavanja za svaku vrijednost
  4. Identificiraj vrijednost koja nudi najbolji omjer koherencije i raznolikosti za tvoj slučaj
  5. Dokumentiraj odabranu postavku uz svoj prompt

Ova posljednja točka često se zanemaruje: produkcijski prompt bez dokumentirane temperature je napola specificiran prompt, koji će tvoj kolega ponovno upotrijebiti s drugačijom postavkom i pitati se zašto dobiva različite rezultate.

Ključne točke

  • Temperatura kontrolira razinu kreativnosti naspram determinizma modela
  • Niske vrijednosti (0–0.3) za činjenične zadatke, visoke vrijednosti (0.7–1.0) za kreativne zadatke
  • Čak i na temperaturi 0 moguće su blage varijacije
  • Eksperimentiraj s nekoliko vrijednosti kako bi pronašao optimalnu postavku
  • Uvijek dokumentiraj korištenu temperaturu uz svoje promptove u produkciji