Temperature (Sıcaklık)

Temperature, büyük dil modellerinin yanıt üretirken ne kadar rastgele (yaratıcı) veya tutarlı (deterministik) davranacağını belirleyen bir parametredir. Model, bir sonraki kelimeyi seçerken birçok olası seçenek arasından seçim yapar. Temperature değeri düşük olduğunda model, en yüksek olasılığa sahip kelimeleri tercih eder ve daha tutarlı, öngörülebilir ve benzer yanıtlar üretir. Temperature yükseldikçe ise daha düşük olasılıklı kelimeleri seçme eğilimi artar; bu da daha yaratıcı, çeşitli ve beklenmedik sonuçlar ortaya çıkarabilir. Temperature (Sıcaklık), büyük dil modellerinde (Large Language Models – LLM’ler) modelin bir sonraki tokenı seçerken ne kadar rastgele veya ne kadar deterministik davranacağını belirleyen bir örnekleme (sampling) parametresidir. Temperature, modelin öğrendiği bilgiyi değiştirmez; yalnızca yanıt üretme (inference) aşamasında olası kelimeler arasından seçim yapma biçimini etkiler.

Örneğin 0–0,3 arası değerler; kod yazma, veri analizi, teknik dokümantasyon ve hukuki metinler gibi doğruluğun önemli olduğu görevler için uygundur. 0,5–0,8 arası günlük yazışmalar ve genel içerik üretiminde dengeli sonuçlar verirken, 0,9–1,5 arası ise hikâye yazma, beyin fırtınası, reklam metni ve yaratıcı içerik üretimi gibi alanlarda daha özgün fikirler sunabilir. Temperature, modelin bilgi seviyesini değiştirmez; yalnızca aynı bilgi içerisinden nasıl seçim yaptığını etkiler. Bu nedenle doğru temperature değeri seçmek, yapay zekâdan alınan çıktının kalitesini ve kullanım amacına uygunluğunu önemli ölçüde belirleyen ayarlardan biridir.

Büyük dil modelleri her yeni token için çok sayıda olası seçenek üretir ve her seçeneğe bir olasılık değeri atar. Temperature parametresi, bu olasılık dağılımını yeniden ölçeklendirerek modelin en yüksek olasılıklı tokenlara mı yoksa daha düşük olasılıklı alternatiflere de mi yöneleceğini belirler.

Düşük temperature değerlerinde olasılık dağılımı keskinleşir. Model, en yüksek olasılığa sahip tokenları tercih eder ve daha tutarlı, öngörülebilir yanıtlar üretir. Yüksek temperature değerlerinde ise olasılık dağılımı düzleşir; model daha fazla alternatif arasından seçim yapabilir ve daha yaratıcı ancak daha az tutarlı yanıtlar üretebilir.

Örneğin kullanıcı şu istemi versin: “Bir uzay yolculuğu hakkında kısa bir hikâye yaz.”

• Temperature = 0.0–0.2: Model, benzer istemlerde büyük ölçüde aynı yapıda, tahmin edilebilir bir hikâye üretir.
• Temperature = 0.7: Daha çeşitli olay örgüsü ve kelime seçimi kullanır.
• Temperature = 1.2: Beklenmedik karakterler, sıra dışı olaylar ve yaratıcı ifadeler kullanabilir; ancak tutarsızlık veya gerçek dışı içerik üretme olasılığı da artar.

Temperature değeri, modelin bilgi düzeyini artırmaz veya azaltmaz. Aynı model, aynı bilgiyle çalışır; yalnızca bu bilgiyi ifade etme biçimi değişir. Bu nedenle temperature, yaratıcılık ile tutarlılık arasında denge kuran bir kontrol mekanizmasıdır.

Temperature farklı kullanım senaryolarına göre değiştirilebilir:

Görev	Önerilen Temperature
Akademik yazım	0.0–0.3
Teknik dokümantasyon	0.1–0.3
Kod üretimi	0.0–0.2
Haber özeti	0.2–0.4
Genel sohbet	0.5–0.8
Hikâye ve şiir yazımı	0.8–1.2
Beyin fırtınası	0.9–1.3

Temperature, sıklıkla Top-k Sampling ve Top-p (Nucleus Sampling) gibi diğer örnekleme yöntemleriyle birlikte kullanılır. Top-k yalnızca en olası k token arasından seçim yapılmasını sağlarken, Top-p toplam olasılığı belirli bir eşiğe (örneğin %90) ulaşan token kümesini dikkate alır. Temperature ise bu aday tokenların olasılık dağılımını şekillendirerek son seçimi etkiler.

Temperature değeri yükseldikçe modelin yaratıcılığı artabilir; ancak aynı zamanda hallucination (halüsinasyon) üretme, mantık hataları yapma veya tutarsız cevaplar verme olasılığı da yükselebilir. Bu nedenle doğruluk gerektiren akademik, tıbbi veya hukuki uygulamalarda genellikle düşük temperature değerleri tercih edilmektedir.

Avantajları

• Yanıtların yaratıcılık düzeyi kontrol edilebilir.
• Aynı istemden farklı çıktılar üretilebilir.
• Farklı kullanım senaryolarına uyarlanabilir.
• Hikâye yazımı ve beyin fırtınasında çeşitliliği artırır.
• Kullanıcı deneyimini özelleştirmeye olanak tanır.

Dezavantajları

• Çok yüksek değerlerde tutarsız veya anlamsız çıktılar oluşabilir.
• Halüsinasyon üretme olasılığı artabilir.
• Aynı istem için her çalıştırmada farklı sonuçlar üretilebilir.
• Uygun temperature seçimi kullanım amacına göre dikkatle yapılmalıdır.

Temperature: Yapay zekâ modellerinin yanıt üretirken ne kadar tutarlı, öngörülebilir ya da yaratıcı davranacağını belirleyen örnekleme parametrelerinden biridir. Modelin olası sonraki kelime/token seçenekleri arasındaki dağılımı değiştirerek daha olası seçeneklere mi yoksa daha çeşitli seçeneklere mi yöneleceğini etkiler.

Basit mantık şöyledir:

Düşük Temperature → Daha tutarlı, kontrollü ve öngörülebilir cevap

Yüksek Temperature → Daha çeşitli, yaratıcı ve sürprizli cevap

Örneğin modele: “Bir kahve markası için slogan üret.” denildiğini düşünelim. Düşük temperature kullanıldığında: “Güne iyi bir başlangıç.” gibi daha güvenli ve alışılmış ifadeler üretilebilir. Daha yüksek temperature kullanıldığında: “Sabahı uyandıran değil, sabaha karakter veren kahve.” gibi daha özgün seçeneklerin ortaya çıkma ihtimali artabilir.

Düşük Temperature Ne Zaman Kullanılır?

Daha çok: bilgi çıkarma, sınıflandırma, veri yapılandırma, kodlama, standart raporlama, kurallı çıktı ve tutarlılık gerektiren görevlerde tercih edilir. Örneğin: “Aşağıdaki makaleden örneklem büyüklüğünü, yöntemi ve temel bulguları tablo hâlinde çıkar.” Bu görevde yaratıcılık değil kaynağa bağlılık ve tutarlılık önemlidir.

Yüksek Temperature Ne Zaman Kullanılır?

Daha çok: yaratıcı yazarlık, slogan, fikir geliştirme, hikâye, reklam konsepti, metafor ve alternatif çözüm üretme gibi görevlerde kullanılabilir. Örneğin: “Yapay zekâ okuryazarlığını anlatmak için alışılmışın dışında 20 kampanya fikri geliştir.” Burada farklı ve beklenmedik seçeneklerin üretilmesi değerlidir.

Temperature = 0 Ne Anlama Gelir?

Genellikle modelin en olası seçeneklere daha fazla ağırlık vermesi anlamına gelir.

Ancak önemli bir ayrıntı vardır: Temperature 0 = matematiksel olarak her zaman tamamen aynı cevap demek değildir. Kullanılan model, altyapı ve diğer örnekleme ayarları nedeniyle küçük farklılıklar oluşabilir.

Temperature ile Halüsinasyon İlişkisi

Temperature düşürmek çoğu zaman çıktıyı daha kontrollü hâle getirir; fakat: “Temperature’ı düşürdüm, artık model yanlış bilgi üretmez.” sonucu çıkarılamaz.

Temperature bir doğruluk parametresi değildir. Model düşük temperature değerinde de kendinden emin biçimde yanlış bilgi üretebilir. Bu nedenle özellikle akademik kullanımda: Temperature + kaynak doğrulama + açık prompt + insan kontrolü birlikte düşünülmelidir.

Akademik Kullanım Örneği

“Aşağıdaki araştırma bulgularını yalnızca verilen verilere dayanarak özetle. Yeni yorum veya kaynak ekleme.”

Böyle bir görevde görece düşük temperature tercih edilmesi, daha istikrarlı çıktı elde etmek açısından uygundur.

Buna karşılık: “Bu bulgunun tartışma bölümünde kullanılabilecek beş farklı kuramsal açıklamasını üret.” gibi keşfedici bir görevde daha yüksek temperature çeşitliliği artırabilir.

Temperature ve Top-p Aynı Şey mi?

Hayır.

Temperature, olasılık dağılımının ne kadar keskin veya yaygın olacağını değiştirir. Top-p ise modelin hangi olası token grubundan seçim yapabileceğini sınırlar. Her ikisi de modelin örnekleme davranışını etkiler; ancak farklı mekanizmalarla çalışırlar.

En Kısa Tanımı

Temperature = Yapay zekânın cevap üretirken ne kadar muhafazakâr veya ne kadar çeşitli seçimler yapacağını etkileyen örnekleme ayarıdır.

Pratik olarak:

Düşük Temperature → Tutarlılık

Yüksek Temperature → Çeşitlilik

Ancak yüksek temperature = daha iyi yaratıcılık, düşük temperature = daha doğru cevap şeklinde kesin kurallar yoktur. Uygun değer, görevin niteliğine göre seçilmelidir.

Özet

Temperature, büyük dil modellerinde bir sonraki tokenın seçimi sırasında rastgelelik düzeyini belirleyen örnekleme parametresidir. Düşük temperature değerleri daha tutarlı ve öngörülebilir yanıtlar üretirken, yüksek değerler daha yaratıcı ancak daha değişken sonuçlara yol açar. Modelin bilgi kapasitesini değiştirmez; yalnızca bu bilginin nasıl ifade edileceğini etkiler. Bu nedenle temperature, üretken yapay zekâ sistemlerinde doğruluk ile yaratıcılık arasındaki dengeyi ayarlayan en önemli parametrelerden biridir.

İlgili Kavramlar: Inference, Token, Tokenization, Sampling, Top-k Sampling, Top-p (Nucleus Sampling), Hallucination, Prompt, Large Language Model (LLM)

Kaynakça

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

Holtzman, A., Buys, J., Du, L., Forbes, M., & Choi, Y. (2020). The curious case of neural text degeneration. Proceedings of the 8th International Conference on Learning Representations (ICLR 2020).

Jurafsky, D., & Martin, J. H. (2025). Speech and Language Processing (3rd ed., draft). Pearson.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008.