[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-top-p::tr":3,"gloss-cluster-top-p::tr":20,"gloss-next-top-p::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"top-p","core-ai","Top-p (Çekirdek Örnekleme)","Top-p örnekleme, çekirdek örnekleme (nucleus sampling) olarak da adlandırılır ve bir LLM'in üretim sırasında bir sonraki token'ını nasıl seçtiğini kontrol etmek için sıcaklığa (temperature) bir alternatif (veya tamamlayıcı) sunar. Sıcaklığın tüm olasılık dağılımını yeniden ölçeklendirmesi gibi çalışmak yerine, top-p tüm olası sonraki token'ları olasılığa göre sıralar, ardından yalnızca kümülatif olasılığı en az p'ye ulaşan en küçük kümeyi (\"çekirdek\") tutar ve yalnızca bu sınırlı kümeden örnekler — çekirdeğin dışındaki her token, sıcaklığın onu sızdırmasına izin verebileceği ne kadar düşük olursa olsun, tamamen dışlanır. 1.0'lık bir top-p, tüm kelime dağarcığını dikkate alır (kısıtlama yok); 0.1'lik bir top-p, modeli \"belirgin\" olasılık kütlesinin %90'ını birlikte oluşturan yalnızca küçük bir avuç token'la sınırlar ve çok güvenli, öngörülebilir bir çıktı üretir; 0.9 ila 0.95 gibi yaygın bir varsayılan ise, anlamlı çeşitliliğe hâlâ izin verirken yalnızca son derece olası olmayan token'ların uzun kuyruğunu dışlar. Bu, geliştiriciler için önemlidir çünkü top-p, sabit bir sıcaklığın yapmadığı bir şekilde modelin güvenine dinamik olarak uyum sağlar: model çok emin olduğunda (bir token dağılıma hakim olduğunda, \"Fransa'nın başkenti ___\"u tamamlamak gibi), çekirdek yüksek p'de bile küçüktür, bu yüzden çıktı doğru kalır; model belirsiz olduğunda (bir yaratıcı hikayeyi sürdürmek gibi birçok olası sonraki kelime olduğunda), çekirdek daha büyüktür ve çeşitliliğin uygun olduğu tam yerde daha fazla çeşitliliğe izin verir. Somut bir örnek: bir e-ticaret SaaS aracı için top-p=0.9 ile ürün açıklaması varyantları üretmek, modelin her seferinde tek bir en jenerik ifadeden (\"Bu ürün harika ve kullanışlı\") kaçınmasını sağlarken gerçekten tuhaf veya konu dışı tamamlamaları hâlâ dışlar; bu, tek başına yüksek ve düz bir sıcaklığın sağlayamayacağı bir denge kurar. Çoğu API sağlayıcısı (OpenAI, Anthropic) sıcaklık veya top-p'den birini ayarlamayı önerir, ikisine agresif değişiklikleri üst üste yığmamayı önerir; çünkü etkileri, akıl yürütmesi zor şekillerde birleşir — ve çoğu üretim SaaS kullanım durumu için top-p'yi varsayılanında bırakıp yalnızca sıcaklığı ayarlamak daha basit, daha öngörülebilir bir yaklaşımdır. Pratikte çoğu geliştirici top-p'yi sağlayıcının varsayılanında bırakır (genellikle 0.9-1.0) ve birincil ayar düğmesi olarak sıcaklığa başvurur; çünkü top-p'nin etkisi daha ince ve tek başına akıl yürütmesi daha zordur — açık top-p ayarını, sıcaklığın tek başına doğru dengeyi sağlamadığı durumlar için saklarlar; örneğin, tutarsız hale gelmeden daha fazla sözcük çeşitliliğine ihtiyaç duyan bir yaratıcı yazım özelliği gibi; burada orta düzey bir top-p ile orta düzey bir sıcaklığın birleşimi, herhangi bir parametreyi tek başına uç noktaya itmekten genellikle daha iyi performans gösterir.","Top-p (çekirdek örnekleme), bir LLM'i en olası sonraki token'ların en küçük kümesiyle sınırlayarak çıktı çeşitliliğini kontrol eder.",null,[11,14,17],{"slug":12,"name":13},"inference","Çıkarım (Inference)",{"slug":15,"name":16},"prompt","Prompt (İstem)",{"slug":18,"name":19},"temperature","Sıcaklık (Temperature)",[21,25,29,33,36,39,42,45,48,51,54,57],{"slug":22,"category":5,"name":23,"updated_at":24},"agentic","Agentic AI (Ajan Tabanlı Yapay Zeka)","2026-08-24T02:46:36+00:00",{"slug":26,"category":5,"name":27,"updated_at":28},"alignment-tax","Hizalama Vergisi (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":30,"category":5,"name":31,"updated_at":32},"artificial-intelligence","Yapay Zekâ (AI)","2026-08-24T02:46:38+00:00",{"slug":34,"category":5,"name":35,"updated_at":24},"attention","Attention (Dikkat Mekanizması)",{"slug":37,"category":5,"name":38,"updated_at":32},"beam-search","Işın Arama (Beam Search)",{"slug":40,"category":5,"name":41,"updated_at":28},"benchmark-contamination","Kıyaslama Kirlenmesi (Benchmark Contamination)",{"slug":43,"category":5,"name":44,"updated_at":28},"catastrophic-forgetting","Felaketvari Unutma (Catastrophic Forgetting)",{"slug":46,"category":5,"name":47,"updated_at":32},"computer-vision","Bilgisayarlı Görü",{"slug":49,"category":5,"name":50,"updated_at":28},"constitutional-ai","Anayasal Yapay Zekâ (Constitutional AI)",{"slug":52,"category":5,"name":53,"updated_at":24},"context-window","Bağlam Penceresi (Context Window)",{"slug":55,"category":5,"name":56,"updated_at":32},"deep-learning","Derin Öğrenme",{"slug":58,"category":5,"name":59,"updated_at":24},"diffusion-model","Difüzyon Modeli (Diffusion Model)"]