Yapay zekâ sözlüğü
Orta seviye
Temperature
Temperature
28.08.2026 tarihinde güncellendi
Temperature, dil modelinin olası sonraki tokenlar arasındaki seçim rastgeleliğini ve çıktı çeşitliliğini ayarlayan parametredir.
Genel bakış
Kavramın çerçevesiTemperature, modelin token olasılık dağılımını yumuşatır veya keskinleştirir. Düşük değerler aynı bağlamda daha öngörülebilir ve tekrarlanabilir yanıtlar verirken yüksek değerler daha çeşitli ama daha riskli seçimlere izin verir. Temperature doğruluğu otomatik olarak artırmaz; görev için uygun çeşitlilik seviyesini belirler. Sağlayıcılar bu parametreyi farklı aralıklarda veya farklı adlarla sunabilir, bu yüzden deneyler aynı model ve ayarlarla karşılaştırılmalıdır.
Çalışma mantığı: Logitler temperature ile ölçeklenir ve softmax dağılımı üzerinden sonraki token seçilir. Düşük değer olasılığı en yüksek seçeneklere yaklaşırken yüksek değer daha geniş dağılımdan örneklemeye izin verir.
Kullanım alanları: Yaratıcı metin, kod, sınıflandırma, fikir üretimi ve tekrarlanabilir otomatik yanıt akışlarında ayar olarak kullanılır.
Sınırlılıklar: Temperature modeli daha bilgili yapmaz; sağlayıcıların örnekleme kuralları farklı olabilir ve kritik görevlerde düşük değer bile doğruluk garantisi vermez.
Çalışma mantığı: Logitler temperature ile ölçeklenir ve softmax dağılımı üzerinden sonraki token seçilir. Düşük değer olasılığı en yüksek seçeneklere yaklaşırken yüksek değer daha geniş dağılımdan örneklemeye izin verir.
Kullanım alanları: Yaratıcı metin, kod, sınıflandırma, fikir üretimi ve tekrarlanabilir otomatik yanıt akışlarında ayar olarak kullanılır.
Sınırlılıklar: Temperature modeli daha bilgili yapmaz; sağlayıcıların örnekleme kuralları farklı olabilir ve kritik görevlerde düşük değer bile doğruluk garantisi vermez.
Teknik tanım ve açıklama
Temel mekanizmaDil modellerinin çıktı rastgeleliğini kontrol eden bir parametredir. Düşük temperature daha öngörülebilir, yüksek temperature daha yaratıcı çıktılar üretir.
Gerçek hayatta kullanım
Örnek senaryoTemperature değeri yükseltildiğinde modelin olası kelimeler arasından daha çeşitli seçimler yapması beklenir. Editoryal bir uygulamada bu kavramı kullanırken önce hedefi ve başarı ölçütünü yazın, ardından küçük bir örnek üzerinde sonucu kontrol edip üretime almadan önce insan doğrulaması yapın.