Temperature กับ Top-p ของ Gemini ยังต้องปรับไหม? อ่านค่าตั้งให้ตรงรุ่น
เห็นคำแนะนำว่า “ตั้ง Temperature เป็น 0 แล้ว AI จะตอบถูกทุกครั้ง” ควรทำตามหรือไม่? ก่อนเปลี่ยนค่าต้องรู้ว่าโมเดลรุ่นที่ใช้อยู่ยังรองรับพารามิเตอร์นั้นหรือเปล่า

Temperature มีผลต่อการเลือกโทเค็นในรุ่นที่รองรับ
ในโมเดลที่รองรับ Temperature ค่านี้ใช้ปรับความสุ่มในการเลือกโทเคนหรือหน่วยข้อความต่อไป ส่วน Top-p จำกัดกลุ่มตัวเลือกโดยดูผลรวมความน่าจะเป็น และ Top-k จำกัดจำนวนตัวเลือกที่คะแนนสูงสุด หลักการอธิบายใน คู่มือ Prompt ของ Google. การเปลี่ยนค่านี้ไม่ได้เพิ่มข้อมูลใหม่ให้โมเดล และไม่ใช่หลักฐานว่าคำตอบถูกต้อง
ตัวอย่างเชิงแนวคิด: เมื่อถามให้ตั้งชื่อกิจกรรม โมเดลที่สุ่มมากอาจเสนอชื่อหลากหลายกว่า แต่ถ้าถามเลขจากเอกสารการเงิน ต่อให้ลดความสุ่มก็ยังอาจอ่านหน่วยผิดได้ จึงต้องตรวจต้นทางแยกต่างหาก
ตัวอย่างสมมติที่ไม่ใช่ผลทดลอง Gemini: หากโทเคน ก ข ค และ ง มีความน่าจะเป็น 0.50, 0.30, 0.15 และ 0.05 การใช้ Top-p = 0.80 จะคงกลุ่ม ก และ ข ซึ่งรวมกันถึง 0.80 ส่วน Top-k = 3 จะคง ก ข และ ค โดยไม่ใช้เกณฑ์ผลรวมเดียวกัน ตัวเลขนี้ช่วยแยกแนวคิด ไม่ใช่สูตรแนะนำให้ตั้งกับทุกรุ่น และรายละเอียดลำดับการกรองต้องดู implementation จริง
Temperature ต่ำอาจลดความหลากหลายในระบบที่รองรับ แต่แม้เลือกโทเคนคะแนนสูงสุดก็ยังเลือกข้อมูลผิดได้ อีกทั้งการตั้งค่าเหมือนกันไม่ได้เป็นหลักประกันว่าคำตอบจะเหมือนเดิมทุกครั้งเมื่อ backend รุ่นโมเดล เครื่องมือ หรือบริบทเปลี่ยน
สำคัญในปี 2569: Gemini รุ่นใหม่บางรุ่นไม่ใช้ค่าปรับแบบเดิม
ณ วันที่ 16 ตุลาคม 2569 คู่มือ Prompt ของ Google ระบุว่า Gemini 4 และ Gemini 3.6 ขึ้นไปเพิกเฉยต่อค่าที่กำหนดเองสำหรับ temperature, top_p และ top_k พร้อมส่ง warning header ว่าพารามิเตอร์เลิกใช้ และเตือนว่าจะตอบข้อผิดพลาด 400 ในรุ่นปรับปรุงในอนาคต ส่วน Gemini 3 รุ่นก่อนหน้านั้นแนะนำให้คงค่าเริ่มต้น จึงต้องแยก “ยังปรับได้แต่ไม่แนะนำ” ออกจาก “ส่งค่าไปแล้วไม่มีผล”
GenerateContent API reference ใช้ชื่อฟิลด์ temperature, topP และ topK และระบุว่า Gemini 3.6 Flash กับรุ่นใหม่กว่าไม่ใช้ค่ากำหนดเอง ชื่อฟิลด์ใน SDK อาจใช้ snake_case ต่างจาก REST JSON จึงควรตรวจทั้ง model ID, API และ SDK ที่ใช้งาน ไม่เปลี่ยนชื่อตามตัวอย่างข้ามภาษา
อย่าคัดลอกค่าจากตัวอย่างของโมเดลรุ่นเก่าไปใช้กับทุกรุ่น ตรวจ model ID, คู่มือรุ่น และคำเตือนของ API ก่อน หากพารามิเตอร์ไม่รองรับ การส่งค่าซ้ำไม่ทำให้โมเดลเชื่อฟังขึ้น
ควบคุมคุณภาพด้วยกติกาและการตรวจผลมากกว่าตัวเลขสุ่ม
| ความต้องการ | วิธีที่ควรเริ่ม | สิ่งที่ยังต้องตรวจ |
|---|---|---|
| สรุปตัวเลข | กำหนดรูปแบบหน่วย แหล่งอ้างอิง และเกณฑ์ไม่เดา | ตรวจเลขกับต้นฉบับ |
| ตอบเป็นข้อมูลโครงสร้าง | กำหนด Schema และตรวจค่าทางโปรแกรม | ตรวจความหมาย ไม่ใช่แค่ JSON ผ่าน |
| งานสร้างสรรค์ | บอกกลุ่มผู้อ่าน โทน และตัวอย่างที่ต้องการ | ตรวจความเหมาะสมของเนื้อหา |
| งานต้องทำซ้ำ | ตรึงเวอร์ชันโมเดล คำสั่ง และชุดตัวอย่าง | รันทดสอบหลายครั้งเมื่อจำเป็น |
คำสั่งที่มีเงื่อนไขชัด เช่น “ถ้าหาข้อมูลไม่พบให้ตอบว่าไม่พบ ห้ามสร้างตัวเลข” ช่วยกำหนดพฤติกรรมที่ต้องการ แต่ก็ไม่รับประกันว่าจะทำถูกทุกครั้ง
ตัวอย่าง Prompt สำหรับสรุปข้อมูลโดยไม่พึ่ง Temperature
ตัวอย่างสมมติสำหรับการใช้งานทั่วไป:
สรุปข้อมูลที่ฉันให้เป็น 3 ข้อ ระบุจำนวนเงินพร้อมสกุลเงินและช่วงเวลา หากข้อความต้นฉบับไม่มีตัวเลขให้เขียนว่า “ไม่ระบุ” ห้ามประมาณค่า และปิดท้ายด้วยรายการข้อมูลที่ต้องตรวจซ้ำ
เมื่อนำไปใช้กับข้อมูลจริง ให้ลองกรณีที่มีตัวเลขครบ ขาดตัวเลข และมีข้อมูลขัดกัน แล้วตรวจว่าโมเดลยอมบอกข้อจำกัดหรือไม่
ข้อเสนอของ KrobClick สำหรับตรวจคุณภาพคือเก็บคำถามชุดเดียวกันและกำหนดเกณฑ์ก่อนเริ่ม เช่น ตัวเลขตรงเอกสาร หน่วยครบ และไม่เติมข้อมูลที่ไม่มี เปลี่ยนทีละปัจจัยแล้วบันทึก model ID, API, prompt และวันที่ หากรุ่นนั้นไม่รองรับค่าการสุ่ม ไม่ควรอ้างว่าผลที่เปลี่ยนมาจาก Temperature ที่ API ไม่ได้ใช้
การกำหนดรูปแบบคำตอบเป็นอีกเรื่องหนึ่งจากการสุ่ม อ่าน JSON Schema และการตรวจค่ากับต้นฉบับ เมื่อต้องนำผลเข้าโปรแกรม และถ้าปัญหาคือต้นทุนจากเอกสารซ้ำให้ดู Context Caching ซึ่งจัดการบริบท ไม่ใช่การเพิ่มความถูกต้องด้วยค่าการสุ่ม
คำถามก่อนปรับค่าการสร้างคำตอบ
- รุ่นและ API ที่ใช้อยู่รองรับพารามิเตอร์นี้จริงหรือไม่
- เป้าหมายคือความหลากหลาย รูปแบบ หรือความถูกต้อง ซึ่งต้องใช้วิธีต่างกัน
- มีชุดโจทย์ตรวจว่าผลลัพธ์ดีขึ้นจริงหรือยัง
- ค่าที่ปรับกระทบความเร็ว ต้นทุน หรือรูปแบบคำตอบตามเอกสารรุ่นนั้นหรือไม่
สำหรับงานที่ต้องการความถูกต้อง ให้กำหนดเกณฑ์แล้วตรวจคำตอบกับหลักฐาน การปรับความสุ่มเพียงอย่างเดียวไม่ยืนยันว่าคำตอบถูกต้อง
แหล่งอ้างอิง
- Google AI for Developers: Prompt design strategies
- Google AI for Developers: Gemini 3.x parameter guidance
- Google: GenerateContent GenerationConfig API reference
- Google: Experiment with model parameters
ตรวจเอกสาร Google วันที่ 16 ตุลาคม 2569 ตามเวลาไทย ไม่ได้ทดลองโมเดลหรือวัดความต่างของพารามิเตอร์ด้วยตนเอง