La temperatura LLM è un parametro numerico che regola la casualità o la creatività delle risposte generate da un modello di AI generativa. Serve a bilanciare coerenza e creatività dell’output, incidendo sulle probabilità con cui vengono scelti i token successivi. La usano, e calibrano, sviluppatori, content specialist e chiunque lavori con prompt su API o piattaforme come OpenAI, Anthropic, Google, Perplexity. Va scelta o modificata ogni volta che serveono più precisione o più varietà. Si imposta con valori mpostando valori compresi tra 0 e 2, a seconda dell’output e dell’obiettivo che si hanno.

Che cos’è la temperatura di un LLM?

La temperatura LLM è un iperparametro che controlla il grado di casualità nella generazione del testo di un modello linguistico, scalando la distribuzione di probabilità dei token prima della selezione.

Ogni LLM, quando produce una risposta, non sceglie la parola successiva a caso. Calcola una lista di token candidati, assegna a ciascuno un punteggio grezzo chiamato logit, e trasforma questi punteggi in probabilità tramite una funzione matematica che ha nome softmax. La temperatura agisce proprio su questo passaggio.

Nel concreto, con valori bassi la distribuzione si irrigidisce: il token più probabile diventa quasi certo, gli altri restano ai margini. Mentre con valori alti la distribuzione si appiattisce: anche parole meno probabili trovano spazio. Il risultato è una generazione testo più prevedibile oppure più variegata, a seconda di come viene calibrato il parametro.

La temperatura AI non determina la qualità della risposta, ma la sua varianza: se invii lo stesso prompt dieci volte, le dieci risposte che ottieni saranno identiche, molto simili, o completamente diverse a seconda della temperatura stabilita. Un prompt con 0.2 di temperatura produrrà risposte quasi identiche. Lo stesso prompt, con temperatura 1.2, genererà ogni volta formulazioni diverse.

Qual è la funzione della temperatura AI?

La funzione della temperatura AI è bilanciare la coerenza logica dell’output con la sua varietà espressiva, consentendo di adattare il comportamento del modello al tipo di compito richiesto.

Un modello linguistico di grandi dimensioni è, per natura, probabilistico. Non ha una risposta giusta precalcolata: genera la sequenza di parole che, statisticamente, appare più adeguata al contesto del prompt. La temperatura è la leva con cui si sposta il baricentro di questa scelta.

Nella pratica, serve a tre cose:

• rendere le risposte deterministiche quando servono fatti, dati, codice
• introdurre varietà controllata quando si lavora su contenuti editoriali o conversazionali
• spingere la creatività del modello oltre i pattern più frequenti, utile in fase di brainstorming o scrittura narrativa.

È importante ricordare che la temperatura non è l’unico parametro a disposizione. Lavora insieme ad altri valori o parametri come top-p (nucleus sampling), top-k, frequency penalty e presence penalty. La finestra di contesto, invece, riguarda la quantità di testo che il modello può tenere in memoria, non la sua casualità.

Come cambiare la temperatura AI nei diversi modelli?

La temperatura AI si modifica via API, specificando il valore nel campo temperature della richiesta, oppure nelle interfacce avanzate di alcuni playground ufficiali messi a disposizione dai fornitori.

Nelle chat consumer di ChatGPT, Claude, Gemini, Copilot o Perplexity, il parametro non è accessibile dall’utente finale. Viene impostato di default dal fornitore, su valori pensati per un equilibrio generale tra affidabilità e naturalezza della conversazione.

Chi lavora via API o su piattaforme come OpenAI Playground, Anthropic Console, Google AI Studio, o magari lavora costruendo workflow con strumenti vibe coding come n8n, ha invece il controllo diretto.

Il range accettato varia da un modello all’altro. La tabella seguente riassume i valori più comuni.

Famiglia di modelli	Range accettato	Default tipico	Dove si imposta
GPT (OpenAI)	0 – 2	1.0	API, Playground
Claude (Anthropic)	0 – 1	1.0	API, Console
Gemini (Google)	0 – 2	1.0	API, AI Studio
Perplexity (Sonar)	0 – 2	0.2	API Sonar
Llama (Meta, open source)	0 – 2	0.7 – 0.8	Framework locali, API

Un caso interessante è proprio quello di Perplexity: la sua API Sonar imposta un default molto basso, pari a 0.2, perché il prodotto è orientato alla ricerca informativa e alla citazione delle fonti. In questi casi la priorità è la precisione, non la creatività.

Con quali criteri e perché cambiare la temperatura AI?

Il criterio principale è il tipo di compito: per attività fattuali o tecniche serve una temperatura bassa, per la scrittura narrativa o il brainstorming serve una temperatura alta, per tutto ciò che sta in mezzo un valore medio.

La domanda da porsi è semplice: questa risposta deve essere riproducibile e accurata o originale e variata? Un prompt che chiede di estrarre dati da un documento, di generare codice, di rispondere a una FAQ aziendale, ha bisogno di risposte deterministiche. Un prompt che chiede di inventare headline, generare scenari, proporre naming, ha bisogno di risposte creative.

Un altro criterio è il rischio di allucinazione. Più la temperatura sale, più il modello può scegliere token improbabili, compresi quelli che introducono informazioni false o inventate. Per contenuti che finiscono in pubblicazione, soprattutto se toccano ambiti sensibili come salute, finanza, normativa, è opportuno tenere valori moderati.

Vale anche il discorso inverso. Una temperatura troppo bassa rischia di produrre testi ripetitivi, piatti, poco leggibili. Un articolo scritto interamente a temperatura 0 suonerà meccanico. Per i contenuti editoriali, la fascia media è quasi sempre la scelta migliore.

Temperatura: bassa, media, alta

I tre livelli di temperatura LLM corrispondono a tre modalità di comportamento del modello: deterministica, bilanciata, creativa. Ciascuna è adatta a specifici casi d’uso e produce output con caratteristiche riconoscibili.

Non esistono soglie universali. Ogni fornitore suggerisce range leggermente diversi, e il comportamento effettivo dipende dal modello, dal prompt, dal contesto. La classificazione che segue rispecchia le convenzioni più diffuse nella documentazione tecnica e nelle best practice di settore.

Temperatura bassa

La temperatura bassa, indicativamente tra 0 e 0.3, rende il modello deterministico e conservatore: sceglie quasi sempre il token più probabile, producendo output ripetibili, precisi, coerenti con il prompt.

È la fascia ideale per estrazione dati, risposte fattuali, classificazione, generazione di codice, traduzioni tecniche, compilazione di tabelle. L’output tende a essere sobrio, talvolta monotono, ma molto affidabile.

Temperatura media

La temperatura media, tra 0.4 e 0.7, rappresenta il punto di equilibrio: il modello mantiene coerenza logica ma introduce variazioni stilistiche sufficienti a rendere il testo naturale e leggibile.

È la fascia più usata per scrittura editoriale, sintesi, risposte conversazionali, customer care, riformulazioni, email professionali. I fornitori di LLM spesso impostano valori intorno a 0.7 come default proprio per questa ragione.

Temperatura alta

La temperatura alta, da 0.8 in su fino ai massimi consentiti, rende il modello creativo e imprevedibile: amplia lo spazio delle scelte possibili, accetta token a bassa probabilità, produce output variegati.

È la fascia indicata per brainstorming, scrittura creativa, poesia, naming, storytelling, generazione di varianti. Va usata con consapevolezza. Una temperatura particolarmente alta può aumentare il rischio di bias e di allucinazioni, che richiedono una opportuna gestione, per essere intercettate e risolte.

Variando la temperatura di un modello LLM, cosa cambia?

Variando la temperatura LLM cambia la distribuzione di probabilità sui token successivi, e di conseguenza cambiano coerenza, varietà lessicale, ripetitività, rischio di allucinazione e riproducibilità dell’output.

L’effetto più evidente è sulla varietà lessicale. A temperatura bassa il modello tende a riutilizzare le stesse formule. A temperatura alta attinge a un vocabolario più ampio, anche a costo di scelte meno prevedibili.

Cambia anche la struttura delle frasi. Valori bassi producono periodi brevi e lineari. Valori alti favoriscono costruzioni più articolate, incisi, metafore. Aumenta però la probabilità che il modello introduca errori logici o fattuali.

In ogni caso, è sempre opportuno inserire un controllo umano, il cosiddetto huma-in-the-loop, per assicurarsi della qualità dell’output. Soprattuto, si ricorda, con temperature elevate.

La tabella seguente sintetizza l’impatto sui principali aspetti dell’output.

Aspetto	Temperatura bassa	Temperatura media	Temperatura alta
Coerenza	Molto alta	Alta	Variabile
Varietà lessicale	Bassa	Media	Alta
Riproducibilità	Quasi totale	Parziale	Bassa
Rischio allucinazione	Minimo	Contenuto	Elevato
Creatività percepita	Limitata	Equilibrata	Marcata

Esempi di differenti temperature LLM

Gli esempi che seguono mostrano come uno stesso prompt produca output diversi al variare della temperatura, in contesti tipici di marketing, comunicazione digitale e content writing.

Il prompt di partenza è volutamente semplice: “Scrivi una frase di apertura per un articolo sul caffè specialty”. Le risposte simulate illustrano il comportamento atteso di un modello linguistico impostato su tre diverse temperature.

Esempio a temperatura bassa (0.2)

Output atteso: “Il caffè specialty è una categoria di caffè di alta qualità, valutata secondo parametri precisi.” Adatto a una scheda prodotto, a una definizione in FAQ, a un abstract tecnico. Il tono è asciutto, la struttura essenziale.

Esempio a temperatura media (0.7)

Output atteso: “Il caffè specialty non è un’etichetta commerciale, ma il risultato di un percorso che parte dalla pianta e arriva alla tazzina.” Adatto a un articolo editoriale, a una newsletter, a un post di blog. Il tono è informativo ma invitante.

Esempio a temperatura alta (1.1)

Output atteso: “Un caffè specialty inizia a raccontare la sua storia molto prima di diventare una bevanda: dalla terra, dall’altitudine, dalle mani che lo raccolgono.” Adatto a una campagna di storytelling, a un copy pubblicitario evocativo. Il tono è narrativo, il ritmo più ampio.

Gli esempi mostrano un punto importante: la temperatura LLM non rende un modello “più intelligente” o “meno intelligente”. Sposta il suo comportamento lungo un asse che va dal prevedibile all’inatteso. La scelta giusta dipende sempre dall’obiettivo del contenuto.

FAQ

Qual è la temperatura LLM ideale?

Non esiste un valore ideale assoluto. Per risposte fattuali si consiglia 0.2, per scrittura editoriale 0.7, per brainstorming 1.0 o superiore. Dipende dal compito.

Cambiare la temperatura AI aumenta il rischio di allucinazione?

Sì, valori alti aumentano la probabilità che l’LLM generi contenuti non verificati. Per ambiti sensibili come salute, finanza e normativa, meglio restare su valori moderati.

Posso impostare la temperatura in ChatGPT, Claude o Perplexity consumer?

No, nelle interfacce consumer il parametro non è esposto. Per controllarlo serve accedere via API o tramite i playground ufficiali dei fornitori.

Temperatura e top-p sono la stessa cosa?

No. La temperatura scala tutte le probabilità dei token. Il top-p limita la scelta ai token che cumulativamente coprono una certa soglia di probabilità. Sono parametri complementari.

Temperatura 0 produce sempre la stessa risposta?

In teoria sì, in pratica quasi. Possono restare piccole variazioni dovute a fattori interni del modello, ma le risposte risultano estremamente simili tra loro.