Limites et points critiques
- Temperature 0 ne garantit pas un déterminisme parfait — micro-variations dues au float, batching GPU.
- Combiner temperature basse + top-p < 1.0 est généralement redondant — choisir l'un OU l'autre.
- Une température très haute (au-delà de 1,5) produit souvent des sorties incohérentes ; la plage acceptée varie selon l'API.
- Sur certains modèles de raisonnement, la température n'est pas réglable ou est contrainte — moins de contrôle.
- Une température basse peut renforcer les biais du modèle (répétition des mêmes formulations).
Évolution probable (12-24 mois)
- Sampling adaptatif (température auto-ajustée selon le contexte) : piste de recherche.
- Les paramètres de sampling (top-p, top-k, temperature, repetition_penalty) varient d'un fournisseur à l'autre : lire la documentation de chacun.
- Calibration auto via DSPy ou équivalent — l'algo trouve la meilleure température pour votre golden set.
- Temperature scheduling (varier la température en cours de génération) : piste de recherche.
Questions fréquentes
Qu'est-ce que la température d'un LLM ?+
La température est un paramètre de génération qui contrôle le niveau d'aléatoire des sorties. Valeur 0 = le LLM choisit toujours le token le plus probable (sortie déterministe, répétable). Valeur 1 = échantillonnage selon la distribution naturelle des probabilités. Valeur 2 = échantillonnage très aléatoire (les tokens improbables ont une chance). Mathématiquement, la température divise les logits avant softmax : basse température = distribution piquée sur les tokens probables, haute température = distribution lissée.
À quoi sert la température en pratique ?+
À calibrer le niveau de créativité vs cohérence selon le use case. Tâches déterministes (extraction de factures, classification de tickets, génération de code, calcul) : température 0-0,3 pour répétabilité et précision. Tâches créatives (naming, rédaction marketing, brainstorming) : température 0,7-1,2 pour variété et originalité. Conversations naturelles : 0,7 pour compromis fluide. Audit réglementaire : 0 + seed pour traçabilité. C'est le bouton principal pour ajuster le comportement d'un LLM sans changer le prompt.
Différence entre température et top-p ?+
Température lisse la distribution de probabilités sur TOUS les tokens possibles (en redistribuant la masse). Top-p (nucleus sampling) coupe la queue de la distribution en ne gardant que les tokens dont la probabilité cumulée atteint p (typiquement 0,9). Les deux contrôlent l'aléatoire mais différemment. En pratique 2026, ne jamais combiner les deux serrés à la fois — choisir l'un OU l'autre. Recommandation par défaut : top-p à 0,95 ou 1,0, ajuster la température selon créativité souhaitée.
Comment choisir la température en pratique ?+
Règles 2026 par cas d'usage : extraction structurée = 0 + structured output, code = 0-0,2, RAG factuel = 0,1-0,3, classification = 0, conversation chatbot = 0,5-0,7, rédaction copywriting = 0,8-1,0, brainstorming naming = 1,2-1,5. Toujours tester sur 20-50 exemples avant de figer. Sur certains modèles de raisonnement, la température n'est pas réglable ou est contrainte : lire la documentation du fournisseur.
Combien coûte de calibrer la température en production ?+
Coût marginal : ajuster la température est gratuit (juste un paramètre API). Le travail de calibration (golden set, tests A/B sur plusieurs valeurs, mesure de qualité, documentation) demande du temps, qui varie avec la taille du jeu de test et le nombre de valeurs comparées. Un bon réglage peut améliorer la qualité perçue sans changer de modèle ni de prompt. Souvent négligé en production — beaucoup d'agents tournent en temperature par défaut alors qu'un ajustement peut apporter un gain.
Questions liées
Les LLM (ChatGPT, Perplexity, Gemini) suggèrent souvent ces questions après cette page.
- Quelle température utiliser pour du code ?
- Pourquoi temperature 0 ne donne pas toujours la même réponse ?
- Température ou top-p : que privilégier ?
- Faut-il calibrer la température par cas d'usage ?
- Sur un modèle de raisonnement, peut-on encore régler la température ?
La température d’un LLM est un paramètre qui contrôle l’aléatoire dans la génération. Valeur typique : entre 0 (déterministe, le modèle prend toujours le mot le plus probable) et 1 ou 2 (créatif, le modèle pioche dans les options moins probables). Mathématiquement, la température divise les logits avant softmax — basse = distribution piquée, haute = distribution lissée.
En pratique
Même prompt “Donne 3 noms de marque pour un café” :
- Temperature = 0 : “Café Mode, Café Origin, Café Pure” (sortie répétable, mots prévisibles)
- Temperature = 0.7 : “Brew & Bean, Café Étincelle, Maison Aria” (mix créativité/cohérence)
- Temperature = 1.5 : “Zinkos, Brûlot Lunaire, Caféra-X” (créatif mais parfois bizarre)
- Temperature = 2 : “Plus souvent du grand n’importe quoi”
Bonnes pratiques entreprise
Tâches déterministes (extraction, classification, résumé technique) :
- Température 0 à 0.3. Vous voulez la même réponse à chaque fois pour une même entrée.
Tâches créatives (rédaction marketing, brainstorming, naming) :
- Température 0.7 à 1.0. Vous voulez de la variété et de l’originalité.
Tâches de code :
- Température 0 à 0.2. Le code doit être correct, pas créatif.
Conversations naturelles :
- Température 0.7. Compromis fluide entre cohérence et naturel.
Piège courant
Mettre la température à 0 ne garantit PAS un déterminisme parfait dans la pratique — les implémentations float, le batching GPU et les optimisations cause des micro-variations. Si vous avez besoin d’un déterminisme absolu (audit réglementaire), utilisez en plus un seed fixe et le paramètre top_p=1.0 quand le fournisseur le permet.
Évolution 2026
Sur certains modèles de raisonnement, la température n’est pas réglable ou est contrainte ; la documentation du fournisseur fait foi.
Pour aller plus loin
- Top-p sampling — définition — paramètre complémentaire.
- Prompt engineering — définition — où température compte.
- LLM — définition — fonctionnement général.