Przejdź do głównej treści
Polski— Wybierz język
Menu

Temperatura i parametry generowania

Lekcja 3 z 14 Zaktualizowano 3 listopada 2026 Początkujący
Na tej stronie
  1. Sterowanie generowaniem za pomocą parametrów
  2. Temperatura
  3. Parametr top_p (próbkowanie jądra)
  4. max_completion_tokens
  5. Parametr seed
  6. Parametry odrzucane przez modele rozumujące
  7. Zalecane ustawienia
  8. Ćwiczenia praktyczne
  9. Kluczowe wnioski

Lekcja przepisana 3 listopada 2026 r. w oparciu o najlepsze praktyki xAI, dokumentację API (Chat Completions i Responses) oraz przewodnik Reasoning: xAI zaleca ustawienie temperature na 0.7, a top_p na 0.95 dla swoich modeli; wartości temperatury powyżej 1 są ograniczane do 1, domyślna wartość top_p to 0.95, parametr max_completion_tokens ogranicza jedynie widoczną odpowiedź (domyślnie 128 000 tokenów), a seed nie gwarantuje determinizmu. Poprzednia wersja zalecała temperatury do 2, domyślne top_p równe 1 oraz limit obejmujący proces rozumowania. Źródła: Najlepsze praktyki · Chat Completions · Reasoning.

Sterowanie generowaniem za pomocą parametrów

Poza samym tekstem promptu, API Grok przyjmuje kilka parametrów liczbowych wpływających na sposób generowania odpowiedzi przez model. W przypadku obecnych modeli główna zasada jest kontrintuicyjna: używaj tych ustawień z dużą ostrożnością i pamiętaj, że to prompt, a nie suwaki, decyduje o jakości odpowiedzi.

Kreatywna odpowiedź uzyskana dzięki promptowi w aplikacji Grok

Temperatura

Temperatura kontroluje stopień losowości przy wyborze tokenów. Dokumentacja API opisuje ją w sposób klasyczny: niska wartość, np. 0.2, sprawia, że wynik jest bardziej skupiony i deterministyczny; wyższa wartość, np. 0.8, czyni go bardziej zróżnicowanym. Parametr ten akceptuje wartości od 0 do 2, ale wszystko powyżej 1 jest próbkowane jako 1.

Najlepsze praktyki xAI idą dalej: ustaw temperature na 0.7 i nie odchylaj się od tej wartości. Według xAI modele Grok reagują źle na inne ustawienia próbkowania, a jakość zazwyczaj spada, gdy je modyfikujesz.

{
  "model": "grok-4.7",
  "messages": [{"role": "user", "content": "Propose a slogan for an organic bakery"}],
  "temperature": 0.7,
  "top_p": 0.95
}
0.7
Temperatura zalecana przez xAI
1
Efektywny limit temperatury
0.95
Zalecane i domyślne top_p

Jeśli chcesz uzyskać więcej kreatywności, rygoru lub zwięzłości, użyj promptu: poproś wprost o nieoczekiwane propozycje, faktograficzny ton lub odpowiedź w trzech punktach. Tym zajmiemy się w kolejnych lekcjach.

Parametr top_p (próbkowanie jądra)

Parametr top_p ogranicza wybór do tokenów, które łącznie osiągają określony rozkład prawdopodobieństwa: przy wartości 0.1 brane są pod uwagę tylko tokeny reprezentujące najlepsze 10% prawdopodobieństwa. Obecne modele tekstowe Grok mają ten parametr domyślnie ustawiony na 0.95, a wartości przekraczające domyślną wartość modelu są do niej ograniczane.

Dokumentacja API powtarza zwykłą radę, by modyfikować albo temperature, albo top_p, ale nie oba naraz. Nowsze i specyficzne dla modeli xAI najlepsze praktyki nakazują natomiast ustawiać oba parametry jawnie w każdym żądaniu – odpowiednio 0.7 i 0.95 – aby wyniki nie zależały od domyślnych ustawień serwera i aby stosować te same wartości dla wszystkich porównywanych modeli.

max_completion_tokens

Parametr ten ogranicza liczbę tokenów w odpowiedzi. Służy do kontrolowania długości i kosztu widocznej części wyniku.

{
  "model": "grok-4.7",
  "messages": [{"role": "user", "content": "Summarize this document in three points"}],
  "max_completion_tokens": 500
}

Kluczowe informacje zgodnie z dokumentacją API:

  • Dotyczy tylko tokenów widocznych: proces rozumowania i wywołania funkcji nie są wliczane; wysiłek rozumowania kontroluje refleksję modelu
  • Bez podanej wartości domyślnie wynosi 128 000 tokenów; przestarzały parametr max_tokens został wycofany
  • Jeśli limit zostanie osiągnięty, odpowiedź zostanie ucięta, a finish_reason przyjmie wartość "length" zamiast "stop" (API Responses nazywa ten limit max_output_tokens i sygnalizuje status incomplete)

Parametr seed

Parametr seed wymusza na systemie próbkowanie jak najbardziej deterministyczne: powtórzone żądania z tym samym seed i parametrami powinny dać ten sam wynik. Dokumentacja API precyzuje, że determinizm nie jest gwarantowany, i odsyła do pola system_fingerprint w odpowiedzi, aby wykryć zmiany po stronie serwera.

{
  "model": "grok-4.7",
  "messages": [{"role": "user", "content": "Generate 5 tech startup names"}],
  "temperature": 0.7,
  "top_p": 0.95,
  "seed": 42
}

Przypadki użycia parametru seed:

  • Testy i debugowanie: weryfikacja, czy prompt daje stabilne wyniki
  • Porównania: testowanie różnych sformułowań promptu z tym samym seedem, aby wyizolować efekt zmiany
  • Śledzenie: logowanie seed i system_fingerprint wraz z każdym wynikiem w celu wyjaśnienia wariancji

Parametry odrzucane przez modele rozumujące

Obecne modele Grok posiadają zdolność rozumowania: parametry presence_penalty, frequency_penalty oraz stop nie mogą być do nich wysyłane, a żądanie je zawierające zwróci błąd. Parametr logprobs jest natomiast ignorowany od modelu Grok 4.20. Jeśli przenosisz kod napisany dla innego dostawcy, usuń te parametry.

Zalecane ustawienia

xAI nie proponuje zestawu ustawień zależnych od przypadku użycia: rekomendacja jest wszędzie taka sama.

{"temperature": 0.7, "top_p": 0.95}

W razie potrzeby dodaj max_completion_tokens dostosowany do oczekiwanej długości, seed do swoich testów, a w przypadku modeli od grok-4.5 do 4.7 – wysiłek rozumowania (reasoning_effort) dobrany zgodnie ze stopniem trudności zadania: to on, a nie temperatura, decyduje o szybkości, koszcie i głębi analizy.

Ćwiczenia praktyczne

Wyślij ten sam prompt trzy razy, z temperature ustawionym na 0.7 i top_p na 0.95, a następnie trzy razy wersję promptu, która precyzuje oczekiwany ton i format:

Prompt A: "Propose three names for a meditation app"
Prompt B: "Propose three short, evocative, and unexpected names for a meditation app
designed for busy executives. One name per line, no explanation."

Porównaj różnorodność i trafność odpowiedzi: różnica wynika z promptu, a nie z parametrów.

Kluczowe wnioski

  • xAI zaleca temperature na poziomie 0.7 i top_p na poziomie 0.95, ustawiane jawnie w każdym żądaniu
  • Powyżej 1 temperatura jest ograniczana do 1; top_p nie przekracza domyślnej wartości modelu (0.95)
  • max_completion_tokens ogranicza jedynie widoczną odpowiedź, domyślnie do 128 000 tokenów
  • seed ma na celu zapewnienie powtarzalności bez gwarancji: śledź system_fingerprint
  • presence_penalty, frequency_penalty i stop są odrzucane przez modele rozumujące