Bonne réponse
Explication
Temperature contrôle le caractère aléatoire de la sortie du modèle. Abaisser la température (par exemple, de 0,7 à 0,1) rend le modèle plus déterministe et ciblé, réduisant la variabilité et la probabilité d'erreurs logiques dans les scripts générés. C'est le paramètre correct à ajuster pour obtenir des réponses plus cohérentes et moins créatives.
Pour aller plus loin
Temperature dans Azure OpenAI Service met à l'échelle la distribution de probabilité sur le jeton suivant avant l'échantillonnage; des valeurs plus basses affinent la distribution vers les jetons les plus probables, rendant la sortie plus déterministe et réduisant la variabilité créative. Top_p effectue un échantillonnage par noyau (nucleus sampling) en restreignant l'ensemble candidat à une masse de probabilité cumulative, et frequency penalty et presence penalty ajustent la répétition plutôt que le caractère aléatoire. Un comportement subtil à connaître : temperature et top_p interagissent, et Microsoft recommande d'en ajuster un seul à la fois; définir temperature sur 0 ne garantit toujours pas des sorties identiques entre les appels en raison du non-déterminisme de la pile de service. Dans un scénario réel, un développeur générant des scripts de transformation de données définit une température basse pour obtenir un code cohérent et répétable, puis valide les scripts car un caractère aléatoire réduit diminue mais n'élimine pas les erreurs logiques.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.