ما هما درجة الحرارة وTop-P؟
درجة الحرارة هي مقبض يجعل مخرجات النموذج أكثر عشوائية (مرتفعة) أو أكثر حتمية (منخفضة). عند درجة الحرارة 0.0، يختار النموذج دائمًا الكلمة التالية الأكثر احتمالًا — منتجًا مخرجات متطابقة في كل تشغيل. عند درجة الحرارة 1.0 فأكثر، يأخذ النموذج في الاعتبار بدائل أكثر جرأة، منتجًا نصًا مفاجئًا ومتنوعًا.
Top-P (nucleus sampling) يتحكم في عدد خيارات الكلمات المحتملة التي يأخذها النموذج بعين الاعتبار في كل خطوة. بدلًا من "ما مدى العشوائية"، فكّر فيه كـ "كم عدد الخيارات المعقولة". مع top-p 0.1، يأخذ النموذج في الحسبان الخيارات ذات الاحتمالية الأعلى فحسب حتى تصل إلى 10% من الاحتمالية التراكمية — ضيق وآمن. مع top-p 0.9، يأخذ في الحسبان مجموعة أوسع بكثير من الكلمات الممكنة — أحرّ وأكثر تنوعًا.
بعبارات بسيطة: تتحكم درجة الحرارة في "مستوى المجازفة"، وTop-P يتحكم في "عدد الخيارات المتاحة للاعتبار". كلاهما يؤثر على تنوع المخرجات، لكن بطرق مختلفة.
🔍 يعمل مع النماذج المحلية
إعدادات درجة الحرارة وTop-P متاحة في جميع أدوات LLM المحلية. نفس المعاملات، نفس التأثير.
بنية الطلب + إعدادات درجة الحرارة
طلب سيئ "اكتب شيئًا إبداعيًا عن الخريف."
طلب جيد "اكتب وصفًا استعاريًا من 100 كلمة للخريف كما لو كنت شاعرًا. درجة الحرارة: 0.9، top-p: 0.95."
التدوين الرياضي
نطاق درجة الحرارة: T ∈ 0.0, 2.0
Softmax مع درجة الحرارة: softmax(logit_i / T) = exp(logit_i / T) / Σ(exp(logit_j / T))
عينة top-p: Σ P(token_i) حتى ≥ p، ثم أخذ العينات من تلك المجموعة
كيف تُغيّران سلوك الذكاء الاصطناعي
تأثيرات درجة الحرارة:
| نطاق درجة الحرارة | السلوك | الأنسب لـ |
|---|---|---|
| منخفض (0.0–0.3) | مركّز، متكرر، مستقر جدًا | المهام التي تتطلب نفس الإجابة في كل مرة؛ خطر الحلقات |
| متوسط (0.4–0.7) | استقرار وتنوع متوازنان | معظم المهام العامة؛ نقطة البداية الموصى بها |
| مرتفع (0.8–1.0+) | إبداعي، متنوع، مفاجئ | العصف الذهني والتنويعات؛ خطر الهلوسة |
تأثيرات Top-P: المنخفض (0.1–0.3) يُنشئ مجموعات خيارات ضيقة جدًا ومخرجات متحفظة جدًا. المتوسط (0.5–0.7) يوازن التنوع مع الاستقرار. المرتفع (0.8–1.0) يوسّع مجموعة الخيارات ويشجع على الإبداع، مشابهًا لدرجة الحرارة المرتفعة. مهم: يربط كثير من مزودي الخدمة هذه الإعدادات أو يقيّدونها. تتجاهل نماذج GPT من OpenAI في الغالب top-p إذا تم تعيين درجة الحرارة صراحةً. Claude يتيح التحكم في كليهما باستقلالية. تحقق دائمًا من توثيق مزودك — نفس الأرقام لا تعني الشيء ذاته عبر جميع النماذج.
درجة الحرارة مقابل Top-P: هل تحتاج إلى كليهما؟
كلا الإعدادين يتحكمان في العشوائية، لكن يجب على معظم المستخدمين ضبط واحد فقط والإبقاء على الآخر عند قيمة افتراضية معقولة. تغيير كليهما في آنٍ واحد يجعل من المستحيل معرفة أيٍّ منهما أنتج التأثير المطلوب. من خبرة ضبط آلاف الطلبات: أبقِ على top-p عند قيمة افتراضية (مثلًا 0.9–1.0) واضبط درجة الحرارة فقط، ما لم يوصِ نموذج معين بغير ذلك.
| الاستراتيجية | درجة الحرارة | Top-P | متى تستخدمها |
|---|---|---|---|
| الوضع الحتمي | 0.0–0.2 | 1.0 (افتراضي) | الكود، استخراج البيانات، المخرجات الحيوية |
| الإعداد الافتراضي المتوازن | 0.5–0.7 | 0.9–1.0 | معظم المهام العامة، الملخصات، الشرح |
| إبداعي/عصف ذهني | 0.8–1.0 | 0.9–1.0 | توليد الأفكار، نسخ التسويق، التنويعات، السرد القصصي |
| إنتاج عالي الاستقرار | 0.0–0.3 | 0.95 | الصحة، المالية، القانون، الحرجة للسلامة |
الإعدادات الموصى بها حسب حالة الاستخدام
- الترميز، إعادة الهيكلة، تصحيح الأخطاء: درجة الحرارة 0.1–0.3، Top-P 0.95. يجب أن تكون بناء الجملة صحيحة، والإبداع مشتِّت. الإعدادات المنخفضة تمنع أسماء الدوال الهلوسية أو العيوب المنطقية.
- الملخصات والشرح: درجة الحرارة 0.4–0.6، Top-P 0.9. تريد الوضوح والاتساق، لكن بعض التنوع في الصياغة مقبول. درجة الحرارة المنخفضة جدًا قد تجعل الملخصات آلية.
- العصف الذهني، نسخ التسويق، التنويعات الإبداعية: درجة الحرارة 0.7–1.0، Top-P 1.0. الإعدادات المرتفعة تشجع على التوليفات غير المتوقعة والصياغات الجديدة. ستحتاج إلى تصفية مخرجات أكثر، لكنك تحصل على أفكار أكثر أصالة.
- استخراج البيانات والمخرجات المنظمة: درجة الحرارة 0.0–0.2، Top-P 0.95. يجب أن يكون التنسيق دقيقًا. العشوائية الأعلى تدعو إلى أخطاء في التحليل والحقول المفقودة.
- كتابة النصوص الطويلة (مقالات، منشورات مدونة): درجة الحرارة 0.6–0.8، Top-P 0.9–1.0. ابدأ هنا واضبط بناءً على الملاحظات. إذا بدت المخرجات عامة، ارفع درجة الحرارة؛ وإذا تشتّتت أو هلوست، اخفضها.
- الأسئلة والأجوبة الواقعية (بدون ربط): درجة الحرارة 0.3–0.5، Top-P 0.9. الإعدادات المعتدلة تقلل الهلوسات وتحافظ على طبيعية الإجابات.
كيف تعمل الطلبات والمعاملات معًا
تصميم الطلب لا يزال أهم من ضبط الأشرطة. تعليمة غير دقيقة عند درجة حرارة 0.2 لا تزال تُنتج إجابة رديئة — فقط إجابة رديئة متسقة. طلب واضح ومنظم جيدًا عند أي درجة حرارة يُنتج نتائج أفضل من طلب رديء بإعدادات مثالية.
سير العمل الصحيح هو: (1) صُغ الطلب بمهمة واضحة وسياق وقيود وتنسيق مخرجات. (2) اختبر عند درجة حرارتك/top-p المستهدفة. (3) اضبط المقابض فقط عندما تحتاج إلى تنوع أكثر أو أقل بعد امتلاكك طلبًا متينًا.
نفس الطلب عند درجات حرارة مختلفة يُنتج أساليب مختلفة جدًا. عند درجة الحرارة 0.2، المخرجات آمنة ومباشرة. عند درجة الحرارة 0.8، المخرجات إبداعية وشاعرية. لا شيء منهما "أفضل" — يعتمد على صوت علامتك التجارية وحالة استخدامك.
مثال على الطلب
اكتب شعارًا قصيرًا وموجزًا لتطبيق إنتاجية. احتفظ به أقل من 10 كلمات.
عند درجة الحرارة 0.2:
"أنجز أكثر في وقت أقل."
عند درجة الحرارة 0.8:
"من الفوضى إلى الوضوح: حيث تتحول اللحظات إلى زخم."
متى يصبح الإبداع المتزايد خطرًا
القيم المرتفعة لدرجة الحرارة وTop-P تزيد الهلوسات والانحرافات خارج الموضوع وانجراف الأسلوب — خاصة في المهام الواقعية. كن محافظًا (درجة الحرارة 0.0–0.5) لـ: الكود الذي يذهب إلى الإنتاج (APIs الهلوسية تُعطّل الأنظمة)، والنصائح الطبية (المعلومات الخاطئة تضر)، والشؤون المالية والقانونية (الدقة إلزامية)، والقرارات الحرجة للسلامة (الأخطاء لها عواقب).
بالنسبة للمهام المبنية على الحقائق، فكّر في الجمع بين درجة الحرارة المنخفضة وRAG أو قيود المصدر الصريحة لتقليل الأخطاء أكثر.
كيف يساعدك PromptQuorum في ضبط درجة الحرارة وTop-P
عادةً، اختبار إعدادات درجة الحرارة وTop-P يعني تشغيل نفس الطلب مرات عديدة عبر نماذج متعددة، مع تسجيل المخرجات ومقارنتها يدويًا — مضنٍ وصعب التتبع. PromptQuorum يُبسّط هذه العملية.
مقارنات متعددة النماذج: أرسل طلبًا بإعدادات درجة حرارة/top-p مختلفة إلى أكثر من 25 نموذجًا (GPT-5.5، Claude Opus 4.8، Gemini 3.5 Pro، Mistral، نماذج Ollama المحلية) في إرسال واحد. شاهد فورًا أيٌّ من النماذج يبقى مستقرًا عند درجة حرارة أعلى وأيٌّها يُنتج أفضل مخرجات إبداعية عند إعدادك المستهدف.
الإجماع والتسجيل: شاهد جميع المخرجات جنبًا إلى جنب مع تحليل Quorum الذي يُقيّم خطر الهلوسة واتساق الأسلوب والملاءمة. اختر التوليفة النموذج + الإعداد الأنسب لتوازن الإبداع-الموثوقية في مهمتك.
وصفات البدء السريع
استخدمها كنقاط انطلاق لمهمتك:
- وضع واقعي آمن: درجة الحرارة 0.2، Top-P 0.95 | مثالي لـ Q&A، الملخصات، استخراج البيانات، المهام المبنية على الحقائق | المخرجات: موثوقة، متسقة، أدنى هلوسة
- الوضع الافتراضي المتوازن: درجة الحرارة 0.5، Top-P 0.9 | مثالي لمعظم المهام العامة، الشرح، الكتابة العامة | المخرجات: طبيعية، مستقرة، مع بعض التنوع
- وضع العصف الذهني الإبداعي: درجة الحرارة 0.8، Top-P 1.0 | مثالي لتوليد الأفكار، نسخ التسويق، السرد القصصي، التنويعات | المخرجات: متنوعة، مفاجئة، خيارات كثيرة للتصفية
- وضع الإجابة المختصرة: درجة الحرارة 0.3، Top-P 0.95 | مثالي للإجابات المباشرة، القرارات السريعة، المخرجات الموجزة | المخرجات: سريعة، مباشرة، توسّع أدنى
- الوضع التجريبي: درجة الحرارة 1.0، Top-P 1.0 | مثالي لاستكشاف سلوك النموذج، فهم الحدود، البحث | المخرجات: غير متوقعة، أقصى تنوع
الأخطاء الشائعة مع درجة الحرارة وTop-P
- ضبط كليهما على الحد الأقصى وتوقّع الموثوقية. درجة حرارة مرتفعة + top-p مرتفع = أقصى عشوائية. افعل هذا فقط إذا كنت تقوم بعصف ذهني أو تجارب.
- تغيير كلا المقبضين في آنٍ واحد. لن تعرف أيٌّ من الإعدادات أفاد أو أضر. غيّر واحدًا، لاحظ، ثم غيّر الآخر إذا لزم.
- محاولة إصلاح طلب رديء بالأشرطة. تعليمة غير دقيقة عند أي درجة حرارة لا تزال تُنتج مخرجات رديئة. أصلح الطلب أولًا.
- نسيان أن النماذج تفسّر نفس القيم بشكل مختلف. درجة الحرارة 0.7 في Claude تبدو مختلفة عن 0.7 في GPT-5.5. اختبر دائمًا نموذجك الفعلي.
- عدم اختبار عدد كافٍ من التشغيلات. مخرجة واحدة عند درجة الحرارة 0.5 قد تكون قيمة شاذة. شغّل على الأقل 3–5 مرات لرؤية السلوك النموذجي.
- ضبط درجة الحرارة على 0 وتوقّع الدقة المثالية. درجة الحرارة المنخفضة تقلل العشوائية، لكنها لا تلغي الهلوسات. الهلوسات تأتي من ثغرات في بيانات التدريب، وليس من العينات العشوائية.
- تجاهل كليًا أن مزودك قد يتجاهل top-p. بعض النماذج تفعل ذلك؛ وبعضها لا. راجع التوثيق لتجنّب إضاعة الوقت في ضبط مقبض معطّل.
هل يجب أن أضبط درجة الحرارة أولًا أم Top-P؟
درجة الحرارة. لها تأثير أوضح. أبقِ على top-p عند قيمة افتراضية (0.9–1.0) حتى تتضح لك تأثيرات درجة الحرارة على مهمتك، ثم اضبط top-p إذا لزم.
لماذا يتجاهل نموذجٌ ما إعداد درجة الحرارة الخاص بي؟
بعض النماذج تقيّد درجة الحرارة وTop-P أو تعطّلهما في إعدادات معينة (مثلًا، OpenAI تتجاهل top-p عند ضبط درجة الحرارة على 0.0). راجع توثيق مزودك. مع العرض متعدد النماذج في PromptQuorum، ستلاحظه فورًا.
هل يمكنني ضبط درجة الحرارة على 0 لضمان الصحة؟
لا. درجة الحرارة 0.0 تعني "اختر دائمًا الكلمة الأكثر احتمالًا"، وهو أمر حتمي لكنه ليس دائمًا صحيحًا. الهلوسات تتعلق بثغرات في بيانات التدريب ووضوح المهمة، وليس بالعينات العشوائية. ادمج درجة الحرارة المنخفضة مع طلبات واضحة وربط بمصادر للحصول على موثوقية أفضل.
لماذا لا أزال أرى هلوسات مع درجة الحرارة المنخفضة؟
تحدث الهلوسات عندما تكون لدى بيانات تدريب النموذج ثغرات أو المهمة غامضة — وليس فقط بسبب العينات العشوائية. إعداد درجة الحرارة المنخفض سيكون متسقًا في هلوساته، لكنه لن يلغيها. استخدم RAG أو قيود مصدر صريحة لتقليلها.
هل تختلف الإعدادات الموصى بها بين GPT-5.5 وClaude Opus 4.8 وGemini 3.5 Pro؟
قليلًا. الثلاثة تتصرف بشكل معقول عند درجة الحرارة 0.5–0.7، لكن تحمّلها لدرجات الحرارة المرتفعة يتفاوت. GPT-5.5 يمكنه الذهاب أعلى دون أن يصبح غير متماسك؛ Claude Opus 4.8 مستقر جدًا؛ Gemini 3.5 Pro أكثر تجريبيًا. اختبر نموذجك الفعلي.
كم عدد التشغيلات الذي أحتاجه لمقارنة الإعدادات بشكل عادل؟
على الأقل 3–5 لكل إعداد لرؤية السلوك النموذجي. أكثر إذا كنت تعمل بدرجات حرارة مرتفعة حيث يكون التباين في المخرجات عاليًا.
ما هو هندسة الطلبات؟ — لماذا تهم بنية الطلب أكثر من المعاملات
عناصر البناء الخمسة التي يحتاجها كل طلب — كيف تبني الطلبات قبل ضبط المعاملات
هلوسات الذكاء الاصطناعي: لماذا يخترع الذكاء الاصطناعي الأشياء — لماذا لا تلغي درجة الحرارة المنخفضة الهلوسات
OpenAI, 2024. "API reference: Temperature and top_p parameters" — توثيق رسمي لنطاقات المعاملات وتأثيراتها
Holtzman et al., 2020. "The Curious Case of Neural Text Degeneration" — بحث حول nucleus sampling (top-p) وتأثيراته على جودة النص
Anthropic, 2024. "Claude: How to Work with Prompts" — دليل Claude المحدد حول درجة الحرارة وضبط المعاملات