English

Tu IA tiene perillas de creatividad

Cuando un modelo de lenguaje escribe, no "elige" la siguiente palabra — calcula una probabilidad para cada posible token siguiente y luego muestrea uno. Los parámetros de muestreo son tus perillas sobre esa elección. La mayoría de los desarrolladores lanzan con los valores por defecto y luego se preguntan por qué su pipeline de extracción es inestable o su bot de lluvia de ideas es aburrido.

Las tres perillas

1. Temperature — escala la distribución de probabilidad antes del muestreo. Baja (0–0.3): el token más probable casi siempre gana — predecible, fáctico, repetitivo. Alta (0.8–1.0+): los tokens improbables reciben oportunidades reales — creativa, sorprendente, ocasionalmente desquiciada.
2. Top-K — limita de forma rígida el grupo de candidatos: "elige solo entre los K tokens más probables". top_k: 5 sobre "el cielo está ___" significa que el modelo elige entre ~azul, nublado, oscuro, despejado, cayendo — y nada más raro. Contundente pero eficaz.
3. Top-P (muestreo de núcleo) — la versión adaptativa: elige del grupo más pequeño de tokens cuyas probabilidades sumen P. Con top_p: 0.9, un modelo confiado podría tener un grupo de 2 tokens; uno inseguro, de 15. Se flexibiliza según la propia confianza del modelo, y por eso en la práctica suele superar a top-k.

Reglas prácticas

Configura temperature o top_p, no ambos — en los modelos Claude 4+ pasar ambos es un error, y en el resto es simplemente pelearte contigo mismo.

La advertencia para usuarios avanzados: los modelos más nuevos quitaron las perillas

Claude Opus 4.7+, Opus 4.8, Sonnet 5 y Fable 5 rechazan temperature, top_p y top_k por completo (HTTP 400). En esos modelos diriges con:

• output_config.effort (low → max) — cuánto se esfuerza el modelo al pensar;
• Prompting — "varía tu forma de expresarte entre respuestas" para dar variedad, o "propón 4 direcciones distintas y pídeme que elija" para trabajo de diseño.

Si usabas temperature: 0 para lograr "determinismo" — nunca garantizó salidas idénticas de todas formas. Prompts más ajustados + effort bajo es el equivalente moderno.

Recursos

• Referencia de la API Messages de Anthropic (parámetros)
• Guía de migración de modelos — parámetros de muestreo eliminados en Opus 4.7+
• El parámetro effort