Température IA : ce que changent vraiment les réglages

Un restaurateur demande dix noms pour sa nouvelle carte d'automne et reçoit dix variations sur « Saveurs d'automne ». Le lendemain, il demande à un outil d'extraire les montants de ses factures fournisseurs, et le format change d'une ligne à l'autre. Dans le premier cas, il voudrait plus d'audace. Dans le second, il voudrait que l'outil arrête d'improviser.

Ces deux besoins opposés dépendent d'un même paramètre : la température. Pour comprendre à quoi elle sert, il faut un seul rappel : un modèle de langage calcule des probabilités pour la suite du texte, puis en choisit une. C'est le principe décrit dans notre article sur le fonctionnement d'un modèle de langage.

Où se trouvent ces réglages

Commençons par une précision qui évite de chercher pour rien : dans les applications grand public, ces curseurs ne sont en général pas proposés. Tu les trouves plutôt dans les environnements destinés aux développeurs, les « playgrounds » des éditeurs (Google AI Studio, par exemple), et dans les appels à l'API. Au moment où ces lignes sont écrites, c'est la situation la plus courante, mais vérifie dans ton outil, car les interfaces changent souvent.

Des conseils circulent selon lesquels il suffirait d'écrire « température 0,2 » dans un chatbot. Ne compte pas là-dessus. Cette phrase ne touche pas au réglage : au mieux, le modèle l'interprète comme un souhait de sobriété, au même titre qu'une consigne ordinaire. La dernière section montre une façon plus fiable d'obtenir cet effet.

La température : prudence ou prise de risque

Reprenons le mécanisme. Le modèle veut continuer la phrase « Notre restaurant vous propose une cuisine... ». Il voit « traditionnelle » très probable, « généreuse » assez probable, « bavarde » très improbable.

À température basse, le choix se concentre sur les suites les plus probables. La réponse est sage, régulière, parfois plate.

À température élevée, les probabilités se rapprochent : des suites moins attendues ont leur chance. La réponse devient plus variée, plus surprenante, et aussi plus exposée au hors-sujet ou à l'incohérence.

Le tableau résume les usages habituels. Ce sont des tendances, à tester sur ton propre cas.

L'échelle varie selon les fournisseurs, de 0 à 1 chez certains, de 0 à 2 chez d'autres, et une valeur donnée n'a pas exactement le même effet d'un modèle à l'autre. Certains modèles récents restreignent ou ignorent même ce paramètre. Consulte la documentation avant de copier une valeur trouvée sur un forum.

Deux erreurs reviennent très souvent.

Croire qu'une température à zéro rend la réponse vraie. Le réglage influence la variété, jamais l'exactitude. À température nulle, le modèle prend sa suite favorite, y compris quand elle est fausse. Une information inventée peut donc revenir à l'identique à chaque essai, ce qui lui donne une fausse apparence de solidité.

Croire qu'elle rend la réponse parfaitement reproductible. Une température très basse réduit fortement les variations, sans toujours les supprimer. Certaines API proposent un paramètre seed pour améliorer la répétabilité, sans garantie absolue.

Les autres réglages que tu croiseras

Top-p limite le choix aux suites les plus probables, jusqu'à atteindre une part donnée de la probabilité totale. À 0,9, le modèle pioche parmi les suites qui représentent 90 % de cette probabilité et ignore les autres. L'effet ressemble à celui de la température, c'est pourquoi les documentations recommandent généralement de modifier l'un ou l'autre, pas les deux.

La longueur maximale (souvent max_tokens) plafonne la taille de la réponse. Elle coupe net le texte une fois la limite atteinte : le modèle ne rédige pas pour autant une réponse plus concise. Pour un texte court et complet, demande-le dans le prompt, en suivant nos conseils pour imposer un format de réponse. Si tu travailles sur de longs documents, garde aussi en tête la limite décrite dans notre article sur les tokens et la fenêtre de contexte.

Les séquences d'arrêt indiquent au modèle une suite de caractères à laquelle il doit s'interrompre. Elles servent surtout aux développeurs qui intègrent un modèle dans une application.

Les pénalités de fréquence et de présence, proposées par certaines API, découragent la répétition de mots déjà employés. Elles peuvent aider sur des textes longs qui tournent en rond, mais elles ne sont pas disponibles partout et leur effet reste difficile à anticiper.

L'instruction système n'est pas un réglage numérique, mais elle se trouve souvent dans les mêmes écrans. C'est souvent celle qui a le plus d'effet sur le résultat.

Pour un usage courant, l'ordre d'action est simple : améliore le prompt en premier, ajuste la température ensuite, et laisse le reste par défaut tant que tu n'as pas un problème précis à résoudre.

Obtenir le même effet sans curseur

La plupart des gens n'ont pas accès à ces paramètres, et ce n'est pas très gênant : le prompt permet d'aller dans le même sens.

Pour de la variété, le prompt faible serait « Propose des noms pour ma carte d'automne ». Le modèle produit alors ce qu'il voit de plus probable. Oblige-le à explorer des directions distinctes :

Je tiens [TYPE DE RESTAURANT] à [VILLE]. Ma clientèle : [DESCRIPTION]. Je cherche un nom pour [LA CARTE OU LE PLAT], qui contient [INGRÉDIENTS OU IDÉE].

Propose 12 noms répartis en 4 approches très différentes : poétique, humour, ancrage local, et une approche inattendue de ton choix que tu nommeras.

Contraintes :
- moins de 5 mots ;
- évite les mots [MOTS TROP VUS, EX. SAVEURS, DÉLICES, TERROIR] ;
- à prononcer facilement à voix haute par un serveur.

Pour chaque nom, indique en quelques mots ce qu'il évoque. Termine en désignant les deux noms les plus risqués et explique ce qui pourrait déplaire.

Le gain vient de l'obligation de chercher ailleurs : les approches imposées et les mots interdits écartent les suites les plus attendues. Tu peux aussi générer plusieurs réponses dans des conversations séparées et les comparer, ce qui revient à profiter de la part de hasard au lieu de la subir.

Pour de la régularité, c'est l'inverse : réduis la liberté. Donne un format strict, un exemple du résultat attendu, et une consigne pour les cas ambigus.

Extrais les informations de la facture ci-dessous. Réponds uniquement avec un tableau de ces colonnes, dans cet ordre : Fournisseur | Date (JJ/MM/AAAA) | Numéro de facture | Montant HT | TVA | Montant TTC.

Règles :
- recopie les montants tels qu'ils apparaissent, sans recalculer ;
- si une valeur est absente ou illisible, écris « NON TROUVÉ » ;
- n'ajoute aucun commentaire.

Facture :
"""
[TEXTE DE LA FACTURE]
"""

Même ainsi, contrôle les premières extractions à la main, puis un échantillon régulier. Si le besoin devient répétitif et qu'un logiciel doit lire le résultat, passe plutôt à une sortie JSON structurée.

Le test à faire avec ton prochain prompt

Lance ton prompt habituel trois fois, chacun dans une nouvelle conversation, et compare les réponses. Si elles se ressemblent trop alors que tu voulais des idées, impose des approches différentes. Si elles divergent alors que tu voulais un résultat stable, resserre le format. Dans les deux cas, tu sauras quoi corriger sans toucher à un seul curseur.