Temperatura (en modelos de IA)

La temperatura es un parámetro numérico que regula cuánta aleatoriedad aplica un modelo de lenguaje al decidir qué token generar en cada paso. Con temperatura baja el modelo elige casi siempre la opción más probable y responde de forma predecible; con temperatura alta reparte la probabilidad entre más candidatos y produce salidas más diversas. No cambia lo que el modelo sabe, solo cómo elige entre lo que considera posible.

Cómo funciona

Cuando un modelo como Claude genera texto, para cada posición calcula una distribución de probabilidad sobre todo su vocabulario de tokens. Esa distribución sale de unos valores internos llamados logits. Antes de convertirlos en probabilidades con la función softmax, se dividen por la temperatura.

El efecto es directo:

• Temperatura cercana a 0: la distribución se vuelve muy "picuda", el token más probable domina y la salida es prácticamente determinista. Ideal para tareas donde quieres consistencia.
• Temperatura alta: la distribución se aplana, los tokens menos probables ganan peso y aumenta la variedad, a costa de coherencia y precisión.

En la API de Claude, el parámetro temperature acepta valores entre 0.0 y 1.0. Esto difiere de otras APIs donde el rango llega hasta 2.0, así que un valor "alto" en Claude no equivale numéricamente al de otro proveedor. Anthropic recomienda ajustar la temperatura o el muestreo top_p, pero no ambos a la vez.

{
  "model": "claude-sonnet-4",
  "max_tokens": 1024,
  "temperature": 0.2,
  "messages": [{"role": "user", "content": "Resume este contrato"}]
}

Por qué importa

La temperatura es la palanca más simple para alinear el comportamiento de Claude con tu caso de uso. Si construyes una aplicación que extrae datos estructurados, clasifica texto o devuelve JSON, quieres temperatura baja (0 a 0.3) para que la misma entrada produzca la misma salida y evites variaciones que rompan tu pipeline. Si escribes copys de marketing, generas ideas o quieres varias alternativas creativas, una temperatura media-alta (0.7 a 1.0) aporta la variedad que buscas.

Aprender a mover este parámetro con criterio es parte de lo que se cubre al aprender a construir sobre la API de Claude, donde la reproducibilidad de las respuestas marca la diferencia entre un prototipo y un producto fiable.

Ejemplo práctico

Imagina que pides a Claude "escribe un eslogan para una cafetería":

• Con temperature: 0 tenderás a recibir siempre el mismo eslogan, el que el modelo considera más probable.
• Con temperature: 1 obtendrás propuestas distintas en cada llamada, algunas brillantes y otras más flojas.

Para tareas de razonamiento o código, la práctica habitual es empezar en 0 o valores bajos: no necesitas creatividad, necesitas la respuesta correcta y estable.

Errores comunes

Un malentendido frecuente es creer que subir la temperatura hace al modelo "más inteligente" o "más creativo de verdad". No añade conocimiento ni capacidad de razonamiento: solo redistribuye probabilidades. Una temperatura muy alta suele degradar la calidad y aumentar las incoherencias.

Otro error es pensar que temperatura 0 garantiza determinismo absoluto. En la práctica puede haber pequeñas variaciones por la infraestructura de inferencia, aunque la salida sea muy estable. Por último, no confundas temperature con top_p (muestreo por núcleo) ni con max_tokens: son controles distintos y ajustar temperature y top_p simultáneamente suele dar resultados difíciles de predecir.