Température et top-p : régler la « créativité » d'une IA

La température règle le degré de hasard dans la façon dont une IA choisit le mot suivant : basse, les réponses sont prévisibles et stables ; haute, elles sont plus variées et inventives. Le top-p limite ce choix aux tokens les plus probables qui cumulent une probabilité donnée. Ce sont les deux molettes de « créativité » d'un modèle de langage.

Comment un modèle choisit le mot suivant

Un LLM (large language model, le modèle de langage derrière ChatGPT, Claude ou Gemini) ne sort pas un texte d'un bloc. Il génère token par token. Un token est un fragment de texte, souvent un bout de mot.

À chaque étape, le modèle calcule une probabilité pour chaque token candidat. Après « Le ciel est », « bleu » obtient peut-être 60 %, « gris » 20 %, « dégagé » 8 %, et une longue traîne de mots rares se partage le reste.

Reste à choisir. Toujours prendre le plus probable donne un texte correct mais plat et répétitif. Tirer trop large fait dérailler le propos. La température et le top-p sont deux façons de cadrer ce tirage.

La température : aplatir ou accentuer les écarts

La température transforme la distribution de probabilités avant le tirage.

Une température basse (proche de 0) accentue les écarts. Le token le plus probable écrase les autres, et le modèle le choisit presque toujours. Le résultat est stable : pose deux fois la même question, tu obtiens quasiment la même réponse.

Une température plus haute aplatit les écarts. Les tokens moins probables remontent et ont une vraie chance d'être tirés. Les réponses deviennent plus variées d'un appel à l'autre, parfois plus surprenantes, parfois moins exactes.

Les plages varient selon le fournisseur. En juin 2026, l'API d'OpenAI accepte une température de 0 à 2, tandis que celle d'Anthropic (Claude) la borne à 0 à 1, où 1 correspond à son maximum. Une valeur « élevée » n'a donc pas le même sens partout : raisonne en relatif, plus haut ou plus bas que le défaut, pas en chiffre absolu transposable d'un modèle à l'autre.

Le top-p : ne garder que le noyau crédible

Le top-p porte un autre nom plus parlant : nucleus sampling, l'échantillonnage par noyau.

Au lieu de toucher à la forme de la distribution, il coupe la liste des candidats. Il trie les tokens du plus probable au moins probable, en cumule les probabilités, et s'arrête dès que la somme atteint le seuil p. Le modèle ne tire que dans ce noyau.

Avec un top-p de 0,9, seuls les tokens qui forment ensemble 90 % de la probabilité sont retenus ; la traîne de mots improbables est écartée d'office. Plus tu baisses p, plus le noyau se resserre et plus la réponse devient prévisible.

L'intérêt face à la température : le top-p s'adapte à chaque étape. Quand le modèle est très sûr de lui, le noyau se réduit à un ou deux tokens. Quand il hésite, le noyau s'élargit pour laisser passer plusieurs candidats crédibles.

Quand monter, quand baisser

Le bon réglage dépend de ce que tu attends de la réponse, pas d'une valeur magique.

Tu montes la température (ou le top-p) quand tu veux de la variété : trouver des accroches marketing, générer plusieurs angles pour un texte, faire du brainstorming, produire dix variantes d'un même slogan.

Tu baisses quand tu veux de la fiabilité et de la reproductibilité : extraire un montant d'une facture, classer des messages, générer du code, répondre à une question factuelle, ou tout cas où deux exécutions doivent donner le même résultat.

Réglage	Effet	Bon pour
Température basse	Réponses stables, peu de hasard	Extraction de données, code, classification, réponses reproductibles
Température haute	Réponses variées, plus de hasard	Brainstorming, accroches, variantes, exploration
Top-p bas	Noyau de tokens resserré	Réponses sûres, ton tenu
Top-p haut	Noyau large	Marge de créativité contrôlée

Une note pratique : ajuste l'un ou l'autre, rarement les deux ensemble. OpenAI et Anthropic recommandent de ne régler que la température ou que le top-p, car leurs effets se combinent de façon difficile à anticiper. En juin 2026, certains modèles récents d'Anthropic renvoient même une erreur si tu envoies les deux paramètres en même temps. Choisis ta molette, laisse l'autre à son défaut.

Garde aussi en tête que ces réglages n'inventent pas de connaissance. Une température basse ne garantit pas un fait exact, elle garantit une réponse stable. Si le modèle se trompe, il se trompera de la même façon à chaque appel. Pour les pièges de fiabilité, vois pourquoi une IA hallucine.

Un exemple chez Maisons&Mobilia

Antoine, au marketing de Maisons&Mobilia (M&M), prépare le lancement d'une collection de canapés. Il appelle le modèle par API avec une température haute pour générer quinze variantes de slogan. Il veut justement de l'écart entre les propositions : à chaque appel, le modèle pioche dans des tournures moins évidentes, et Antoine garde les trois qui sonnent juste.

Le même mois, Sophie, à la comptabilité, automatise l'extraction des montants de TVA sur les factures fournisseurs. Elle, c'est l'inverse : température au plancher. Elle a besoin que « 1 240,50 € » sorte comme « 1 240,50 € » à tous les coups, sans variation créative qui transformerait un chiffre. Pour son cas, la reproductibilité prime sur l'invention.

Même modèle, même semaine, deux réglages opposés. La molette n'est pas « meilleure » en haut ou en bas : elle est adaptée ou non à la tâche.

Où on trouve ces réglages

La température et le top-p vivent surtout au niveau de l'API, quand tu appelles le modèle depuis ton propre code ou ton outil. Tu les passes comme paramètres de la requête.

Quelques produits exposent un curseur de « créativité » ou un mode « précis / créatif » qui pilote ces valeurs en coulisses. Les interfaces grand public comme ChatGPT ou Claude, elles, ne te les montrent pas : elles tournent à des réglages fixés en amont, choisis pour un bon équilibre par défaut.

Si tu débutes et que tu veux juste de meilleures réponses sans toucher à ces molettes, le levier le plus rentable reste la formulation de ta demande. Vois écrire un bon prompt.

Aller plus loin

Pour les bases du modèle qui se cache derrière ces réglages, commence par c'est quoi un LLM. Pour comprendre ce qu'est un token et pourquoi le modèle raisonne mot par mot, lis token et context window. Et pour aller chercher la fiabilité quand la température basse ne suffit pas, regarde pourquoi une IA hallucine.

Tu peux aussi t'entraîner sur ces réglages dans l'app saisir.ai, qui décortique le fonctionnement des modèles de langage en modules courts.