Przejdź do głównej treści
Polski— Wybierz język
Menu

Kary i powtórzenia

Lekcja 11 z 16 Zaktualizowano 28 lipca 2026 Początkujący
Na tej stronie
  1. Unikanie pętli i powtórzeń
  2. Kara za obecność (Presence Penalty)
  3. Kara za częstotliwość (Frequency Penalty)
  4. Różnica między obiema karami
  5. Kiedy stosować każdą z kar
  6. Uważaj na skrajne wartości
  7. Kluczowe wnioski

Unikanie pętli i powtórzeń

Jednym z najbardziej frustrujących zachowań modeli językowych jest powtarzalność: model wpada w pętlę, używając tych samych słów, struktur zdaniowych lub idei. Prosisz o dogłębny artykuł, a otrzymujesz trzy akapity, z których każdy zaczyna się od „Ponadto“, a słowo „innowacja“ pojawia się w każdym wierszu. Modele Mistral oferują dwa parametry, które temu przeciwdziałają: karę za obecność (presence penalty) i karę za częstotliwość (frequency penalty). Wyglądają podobnie, ale ich mechanika różni się na tyle, że wybór jednego z nich rzeczywiście zmienia wynikowy tekst.

Kara za obecność (Presence Penalty)

Kara za obecność to jednorazowa kara nakładana na każdy token, który pojawił się już przynajmniej raz w wygenerowanej odpowiedzi. Nie ma znaczenia, czy token został użyty raz, czy 50 razy – kara jest taka sama. Parametr przyjmuje wartości od -2,0 do 2,0, gdzie 0 jest wartością domyślną (wyłączony). Wartość dodatnia zachęca model do używania nowych słów; wartość ujemna, co zdarza się rzadziej, zachęca go do ponownego używania tych samych.

# Dodatnia kara za obecność: bardziej zróżnicowane słownictwo
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "Describe the benefits of remote work."}
    ],
    presence_penalty=0.6
)

W praktyce kara za obecność jest idealna, gdy chcesz, aby model eksplorował szersze słownictwo i poruszał różne aspekty tematu. W powyższym przykładzie dotyczącym pracy zdalnej parametr ten skłania model do przejścia od elastyczności godzinowej, przez nieruchomości korporacyjne, aż po ślad węglowy, zamiast trzykrotnego powtarzania argumentu o oszczędności czasu.

Kara za częstotliwość (Frequency Penalty)

Kara za częstotliwość działa natomiast kumulatywnie: rośnie za każdym razem, gdy token zostanie ponownie użyty. Im częściej pojawia się dane słowo, tym wyższa jest kara, co czyni ten parametr znacznie skuteczniejszym niż kara za obecność w przerywaniu pętli. Dzieli ten sam zakres wartości, od -2,0 do 2,0, z 0 jako wartością domyślną.

# Kara za częstotliwość: redukuje powtarzanie częstych słów
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "Write a 300-word article on artificial intelligence."}
    ],
    frequency_penalty=0.5
)

Jej optymalne zastosowanie to długie teksty, w których model ma tendencję do powtarzania tych samych słów lub struktur. Artykuł na 300 słów o sztucznej inteligencji, bez zastosowania kary, ryzykuje „wbijanie“ słów „AI“ i „technologia“ w każdym zdaniu; kara za częstotliwość stopniowo zmusza model do urozmaicenia języka.

Różnica między obiema karami

Aby zrozumieć tę subtelność, spójrzmy na przykład liczbowy. Model wygenerował już słowo „innowacja“ 5 razy w swojej odpowiedzi. Przy karze za obecność wynoszącej 0,5, słowo „innowacja“ otrzymuje karę 0,5 – jest ona stała, 5 wystąpień nic nie zmienia. Przy karze za częstotliwość wynoszącej 0,5, to samo słowo otrzymuje karę 2,5, czyli 0,5 pomnożone przez jego 5 wystąpień. Kara za częstotliwość jest zatem znacznie bardziej agresywna wobec tokenów, które często powracają, podczas gdy kara za obecność wywiera łagodny, jednolity nacisk na wszystko, co zostało już powiedziane.

Kiedy stosować każdą z kar

Użyj kary za obecność, gdy celem jest różnorodność tematyczna. Podczas sesji burzy mózgów chcesz uzyskać dziesięć naprawdę różnych pomysłów, a nie dziesięć przeformułowań tego pierwszego:

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "List 10 digital marketing trends for 2026."}
    ],
    presence_penalty=0.8,
    temperature=0.7
)

Użyj kary za częstotliwość, gdy celem jest płynność tekstu. W długim przewodniku zapobiega ona utrwalaniu się językowych nawyków bez zniekształcania przekazu:

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "Write a comprehensive guide on agile project management."}
    ],
    frequency_penalty=0.4,
    temperature=0.5
)

Nic nie stoi na przeszkodzie, aby połączyć oba parametry dla uzyskania efektu kumulatywnego – kreatywny biuletyn informacyjny skorzysta na przykład zarówno na zróżnicowanym słownictwie, jak i na tekście bez powtórzeń:

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "Write a creative newsletter on tech trends."}
    ],
    presence_penalty=0.3,
    frequency_penalty=0.5,
    temperature=0.6
)

Uważaj na skrajne wartości

Te parametry nie są pokrętłami, które należy kręcić do maksimum: zbyt wysokie wartości pogarszają jakość zamiast ją poprawiać. Powyżej 1,0 dla kary za obecność model zaczyna unikać powszechnych słów, które są faktycznie niezbędne – rodzajników, przyimków – a tekst staje się dziwny. Powyżej 1,0 dla kary za częstotliwość wymusza ona nieodpowiednie synonimy tylko po to, by uniknąć powtórzenia: „samochód“ staje się „automobilem“, potem „pojazdem“, a następnie „pojazdem mechanicznym“ w tym samym akapicie. Co do wartości ujemnych, zachęcają one do powtórzeń, co rzadko jest pożądane. Praktyczna rekomendacja: pozostań w zakresie od 0,0 do 0,8 dla obu parametrów; powyżej tej granicy skutki uboczne przewyższają korzyści.

Oto wskazówki dostosowane do zadań: ekstrakcja i klasyfikacja odbywają się bez żadnych kar (presence_penalty=0, frequency_penalty=0, liczy się dokładność); krótkie teksty do 200 słów wystarczająco obsługują frequency_penalty=0.2; długie teksty powyżej 500 słów korzystają z połączenia presence_penalty=0.3 i frequency_penalty=0.5; burza mózgów odwraca dominację na presence_penalty=0.6 i frequency_penalty=0.3; a lista unikalnych punktów sięga presence_penalty=0.8 przy frequency_penalty=0.2.

Kluczowe wnioski

  • Kara za obecność zachęca do używania nowych słów (kara stała)
  • Kara za częstotliwość zniechęca do powtarzania częstych słów (kara kumulatywna)
  • Oba parametry mieszczą się w zakresie od -2,0 do 2,0, z wartością domyślną 0
  • Pozostań w zakresie od 0,0 do 0,8, aby uniknąć niepożądanych efektów
  • Używaj kary za obecność dla różnorodności tematycznej, a kary za częstotliwość dla płynności tekstu