ChatGPT, Gemini, Claude, DeepSeek et d’autres intelligences artificielles (IA) peuvent sembler simples : nous formulons une question et recevons une réponse. Pourtant, sous cette apparente simplicité se cachent deux paramètres souvent méconnus qui conditionnent fortement la qualité de la réponse que nous obtenons.
La température et la longueur de réponse ne peuvent pas être manipulées directement via une interface de chat classique. Elles sont accessibles uniquement via des API ou des outils avancés. Cependant, il est possible de simuler leur effet grâce à des prompts adaptés.
La température influence la créativité de la réponse, tandis que la longueur de réponse régule l’étendue de ce que l’IA produira. L’association de ces deux paramètres peut transformer radicalement le résultat d’une même demande.
Fonctionnement des paramètres : température et longueur de réponse
Les modèles de langage actuels ne « connaissent » pas les réponses. En réalité, ils calculent, mot après mot, quelle est la prochaine option la plus probable. Dans ce contexte, la température détermine dans quelle mesure le modèle s’écarte de cette option prévisible.
Une température basse (près de 0) choisit principalement des options prévisibles, tandis qu’une température élevée explore des choix moins probables, offrant plus de variété mais aussi un risque accru de déviations. La température « correcte » dépend donc de la tâche à accomplir. Pour résumer un document ou expliquer un concept, une température basse est souhaitable. En revanche, pour générer des idées ou proposer des solutions créatives, une température élevée est préférable.
Bien que peu d’interfaces AI permettent de modifier ce paramètre directement, il est possible de simuler son effet avec des instructions explicites. Par exemple, en demandant :
“Fournis une réponse très conservatrice et littérale, sans spéculer.”
Nous demandons un comportement similaire à celui d’une température basse. Inversement, une demande comme :
“Fais preuve de toute ton originalité. Je préfère des idées peu conventionnelles, même risquées.”
incitera le modèle à adopter une approche plus audacieuse, similaire à une température élevée.
La longueur de réponse, quant à elle, fonctionne différemment. Le modèle génère du texte jusqu’à ce qu’il décide de s’arrêter ou atteigne un nombre de tokens prédéfini. Une réponse plus longue n’est pas nécessairement une meilleure réponse.
La solution est simple : il suffit d’inclure une instruction explicite concernant la longueur dans le prompt.
Sans instructions, les modèles ont tendance à s’étendre avec des nuances parfois superflues. À l’inverse, si une réponse détaillée est nécessaire, une instruction directe est cruciale. Le problème ne vient pas du modèle, mais du fait qu’il n’a pas reçu de directives claires sur l’espace à occuper.
Pour ce faire, il suffit d’inclure des instructions explicites dans le prompt, allant de “réponds en une seule phrase” à “développe avec la plus grande profondeur possible”. Ainsi, une température basse combinée à une réponse courte engendre des réponses précises et techniques. Au contraire, une température élevée avec une réponse étendue favorise l’exploration et la créativité.
Comprendre ces paramètres, même indirectement par le biais des instructions que nous donnons au modèle dans chaque prompt, nous permet de demander exactement ce dont nous avons besoin au lieu de nous contenter des réponses par défaut de l’IA.
Image | Générée par Xataka avec un prompt conçu par Gemini et fourni à ChatGPT.
En savoir plus sur les implications de l’IA : découvrez comment la technologie transforme différents domaines.