[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-temperature::ru":3,"gloss-cluster-temperature::ru":20,"gloss-next-temperature::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"temperature","core-ai","Температура (Temperature)","Температура (temperature) — это параметр, передаваемый во время инференса, который контролирует, насколько «случайным» или «детерминированным» является выбор токена LLM. Внутри модель вычисляет распределение вероятностей по каждому возможному следующему токену; температура масштабирует это распределение перед тем, как токен будет выбран (сэмплирован). Температура 0 (или очень близкая к ней) заставляет модель почти всегда выбирать токен с самой высокой вероятностью — детерминированный, сфокусированный, воспроизводимый вывод. Более высокие температуры (1.0 и выше) сглаживают распределение вероятностей, давая токенам с более низкой вероятностью реальный шанс быть выбранными, что даёт более разнообразный, творческий, иногда неожиданный вывод — но и более высокий риск бессвязности или галлюцинаций на экстремумах. Это одна из самых практически важных настроек для SaaS-разработчиков, потому что правильная температура полностью зависит от задачи. Структурированные, фактические задачи или задачи генерации кода (генерация SQL, извлечение данных, классификация, форматирование ответа API) требуют низкой температуры (от 0 до 0.3) ради согласованности и корректности — вы не хотите, чтобы ваш экстрактор JSON-схемы иногда проявлял творчество с именами полей. Творческие задачи (мозговой штурм маркетинговых текстов, генерация имён, написание историй) выигрывают от более высокой температуры (от 0.7 до 1.0+), чтобы избежать повторяющегося, шаблонного вывода. Конкретный пример: запрос к LLM «Дай слоган для кофейной подписки» при температуре 0 может надёжно возвращать «Свежая обжарка, доставка к вашей двери» каждый раз — безопасно, но однообразно для множества пользователей. Тот же промпт при температуре 0.9 может вернуть «Проснись для чуда» в одном вызове и «Ваш ежедневный ритуал, переосмысленный» в следующем — больше разнообразия, полезно при генерации нескольких вариантов или чтобы избежать шаблонности среди тысяч пользователей. Разработчикам стоит понимать, что температура — не волшебная ручка «творчества», повышающая качество, — она лишь контролирует случайность сэмплирования, поэтому её чрезмерное повышение в задачах, требующих точности (извлечение номера телефона из текста, генерация валидного кода), увеличивает частоту ошибок без какой-либо выгоды. Температуру часто комбинируют с сэмплированием top-p для более тонкого контроля, и большинство API рекомендуют настраивать что-то одно, а не оба параметра одновременно. Некоторые поставщики также предоставляют смежные параметры, о которых стоит знать наряду с температурой: `frequency_penalty` и `presence_penalty` (доступны в некоторых API) не дают модели повторять одни и те же слова или темы, что полезно для длинной генерации, которая иначе становится повторяющейся; а параметр `seed` (где поддерживается) может улучшить — хотя редко гарантировать — воспроизводимость между вызовами при фиксированной температуре, что полезно для тестирования и отладки. Разработчики, запускающие автоматизированные пайплайны оценки вывода модели, обычно фиксируют температуру на 0 именно для того, чтобы тестовые прогоны были сопоставимы между изменениями кода, ослабляя это ограничение только после того, как функция перешла из оценки в живую, ориентированную на пользователя генерацию, где некоторое разнообразие действительно желательно.","Temperature — параметр инференса, задающий случайность вывода: низкие значения дают сфокусированный текст, высокие — более творческий и разнообразный.",null,[11,14,17],{"slug":12,"name":13},"inference","Инференс",{"slug":15,"name":16},"prompt","Промпт",{"slug":18,"name":19},"top-p","Top-p (нуклеус-сэмплирование)",[21,25,29,33,36,39,42,45,48,51,54,57],{"slug":22,"category":5,"name":23,"updated_at":24},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":26,"category":5,"name":27,"updated_at":28},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":30,"category":5,"name":31,"updated_at":32},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":34,"category":5,"name":35,"updated_at":24},"attention","Внимание (Attention)",{"slug":37,"category":5,"name":38,"updated_at":32},"beam-search","Лучевой поиск",{"slug":40,"category":5,"name":41,"updated_at":28},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":43,"category":5,"name":44,"updated_at":28},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":46,"category":5,"name":47,"updated_at":32},"computer-vision","Компьютерное зрение",{"slug":49,"category":5,"name":50,"updated_at":28},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":52,"category":5,"name":53,"updated_at":24},"context-window","Контекстное окно",{"slug":55,"category":5,"name":56,"updated_at":32},"deep-learning","Глубокое обучение",{"slug":58,"category":5,"name":59,"updated_at":24},"diffusion-model","Диффузионная модель (Diffusion Model)"]