Temperatura, top_p e parametri di generazione
In questa pagina
Aggiornato il 3 novembre 2026 in base alla documentazione OpenAI:
temperatureetop_psono accettati solo con uno sforzo di ragionamento (reasoning effort) impostato sunone, mentre i modelli GPT-5.6 ragionano per impostazione predefinita (medium). Le chiamate che impostano questi parametri devono quindi specificarereasoning={"effort": "none"}(API Responses) oreasoning_effort="none"(Chat Completions). Fonti: Using GPT-6 · GPT-5.6 Terra.
Temperatura, top_p e parametri di generazione
Quando invii un prompt a un modello linguistico, il testo generato non è deterministico per impostazione predefinita: due chiamate strettamente identiche possono restituire due risposte diverse. I parametri di generazione ti permettono di controllare il grado di creatività o rigore di queste risposte. Padroneggiarli serve a due obiettivi concreti: ottenere risultati adattati a ogni caso d’uso e sapere dove guardare quando una suite di test di integrazione inizia a fallire una volta su tre senza alcuna spiegazione apparente.
Come il modello sceglie il token successivo
A ogni passo della generazione, il modello calcola una distribuzione di probabilità sull’intero vocabolario, quindi campiona il token successivo da quella distribuzione. La parola “migliore” non emerge meccanicamente; è un’estrazione. I parametri di generazione intervengono prima del campionamento, restringendo la distribuzione attorno ai candidati più probabili o appiattendola per dare una possibilità anche alle opzioni meno probabili. Le due chiamate seguenti illustrano gli estremi di questa necessità: uno slogan per un panificio artigianale ha valore solo se sorprende, mentre la sintassi di una list comprehension non deve mai sorprendere.
from openai import OpenAI
client = OpenAI()
# Risposta creativa (temperatura alta)
response_creative = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
instructions="You are a creative writer.",
input="Propose a slogan for an artisanal bakery.",
temperature=1.2
)
# Risposta fattuale (temperatura bassa)
response_factual = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
instructions="You are a precise technical assistant.",
input="What is the syntax of a list comprehension in Python?",
temperature=0.1
)
Temperatura
La temperatura è un fattore moltiplicativo applicato ai logit prima della softmax. A 0, la distribuzione si restringe al punto che il modello seleziona sempre il token più probabile: il comportamento diventa quasi deterministico, esattamente ciò che desideri da un estrattore di dati rieseguito in un test unitario. Tra 0,1 e 0,3, le risposte rimangono molto coerenti da chiamata a chiamata: questo è il territorio del codice e delle risposte fattuali. L’intervallo da 0,7 a 0,9 bilancia creatività e coerenza, adattandosi alla scrittura generale. Oltre questo limite, tra 1,0 e 1,5, gli output diventano vari e talvolta disorientanti: l’effetto desiderato per il brainstorming, ma un difetto fatale ovunque altro.
La tabella seguente raccoglie le impostazioni che funzionano bene per i casi d’uso più frequenti. Considerala come punto di partenza da validare sui tuoi prompt: un prompt altamente vincolato tollera una temperatura più alta di quanto potresti pensare, mentre un prompt lasco deraglia prima.
| Caso d'uso | Temperatura | top_p |
|---|---|---|
| Generazione di codice | 0,0 – 0,2 | 1,0 |
| Estrazione dati | 0,0 | 1,0 |
| Scrittura professionale | 0,5 – 0,7 | 0,9 |
| Brainstorming | 1,0 – 1,3 | 0,95 |
| Scrittura creativa | 1,0 – 1,5 | 0,9 |
Top_p (campionamento del nucleo)
Il parametro top_p agisce sulla stessa distribuzione, ma attraverso un meccanismo completamente diverso: filtra i token in base alla loro probabilità cumulativa. Con top_p=0.9, il modello considera solo i token la cui probabilità cumulativa raggiunge il 90%, rimuovendo puramente e semplicemente la coda lunga delle scelte improbabili. Mentre la temperatura distorce le probabilità di tutti i candidati, top_p tronca l’elenco dei candidati ammissibili.
response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
instructions="Generate a technical summary.",
input="Summarize how TLS 1.3 works.",
temperature=0.3,
top_p=0.95
)
Questo porta a una regola pratica che non ti pentirai di applicare: non modificare mai temperatura e top_p contemporaneamente. Poiché entrambi agiscono sullo stesso meccanismo, non saresti in grado di attribuire l’effetto osservato all’uno o all’altro, e le tue impostazioni diventerebbero questione di superstizione. Regola un parametro, lasciando l’altro al suo valore predefinito; OpenAI consiglia di iniziare con la temperatura.
Altri parametri importanti
max_output_tokens limita la lunghezza della risposta in token. Questa è la tua salvaguardia sia per i costi che per le risposte infinite, particolarmente utile quando l’output deve rientrare in un campo di interfaccia vincolato: una risposta incorniciata durante la generazione è meglio di un troncamento lato visualizzazione.
response = client.responses.create(
model="gpt-5.6-terra",
instructions="Answer in one sentence.",
input="What is DNS?",
max_output_tokens=100
)
Da GPT-5.6, il ragionamento non è più un modello separato: è un’impostazione che controlla il tempo di riflessione su tutta la famiglia di modelli.
response = client.responses.create(
model="gpt-5.6-terra",
input="Solve this differential equation: y' + 2y = e^(-x)",
reasoning={
"effort": "high" # "none", "low", "medium", "high", "xhigh", "max"
}
)
Il livello low risponde rapidamente a domande semplici, medium costituisce un compromesso onesto per la maggior parte delle attività e high attiva un ragionamento approfondito che dovrebbe essere riservato a problemi genuinamente difficili. L’equazione differenziale sopra lo merita; riformulare una frase di benvenuto no: staresti pagando per un tempo di riflessione su un compito che non ne richiede alcuno.
Osserva la variazione con i tuoi occhi
Nulla sostituisce il vedere queste impostazioni in azione. Scrivi uno script Python che invii lo stesso prompt a GPT-5.6 Terra con cinque valori di temperatura (0, 0,3, 0,7, 1,0 e 1,3) e visualizza i cinque output fianco a fianco. Scegli un’istruzione francamente creativa, ad esempio “Inventa un nome per una startup di IA”: la ripetizione quasi parola per parola a 0 e la dispersione a 1,3 diventano impossibili da ignorare, e questa memoria visiva ti servirà come punto di riferimento molto più a lungo di una tabella di valori.
Punti chiave
- La temperatura controlla la diffusione della distribuzione di probabilità
top_pfiltra i token in base alla probabilità cumulativa- Non modificare mai entrambi simultaneamente
- Temperatura bassa per compiti fattuali, alta per quelli creativi
- L’impostazione di ragionamento (da none a max) si applica all’intera famiglia GPT-5.6