Temperatura

La temperatura es el parámetro que regula cuán predecible o creativa es la salida de un modelo de lenguaje. Es un índice —típicamente de 0 a 1, o de 0 a 2 según la plataforma— que ajusta la probabilidad con la que el modelo elige cada palabra siguiente. En 0, ante el mismo prompt el modelo responde casi siempre lo mismo: preciso pero plano. A medida que sube, baja la probabilidad de las palabras más obvias y el modelo se vuelve más creativo —y más propenso a inventar.

¿Para qué sirve la temperatura?

Sirve para calibrar el equilibrio entre certeza y creatividad según la tarea:

• Cerca de 0 para tareas donde quieres exactitud y repetibilidad: extracción de datos, clasificación, código, respuestas factuales. La salida es consistente pero aburrida.
• Entre 0.5 y 0.7 para el punto medio que usan por defecto la mayoría de las herramientas: lo suficientemente creativo para que el texto no suene robótico, con baja tasa de alucinación.
• Cerca de 1 (o más) para lluvia de ideas, variaciones de copy o exploración creativa. Aquí el modelo puede sorprenderte —o decirte que 2+2 es “pez”.

Rodrigo lo explicó en el episodio 15 con una imagen útil: en temperatura 0 le pides algo tres veces y obtienes casi el mismo texto tres veces; subiéndola, cada respuesta varía más, hasta volverse impredecible en los extremos.

¿La controlas tú?

Depende de cómo uses el modelo:

• En herramientas de chat (ChatGPT, Claude, Gemini) no la controlas: viene fijada por el proveedor, habitualmente entre 0.5 y 0.7. El usuario no la ve.
• Vía API o en automatizaciones (n8n, OpenClaw, tu propio código) sí la configuras —y ahí es donde importa afinarla, porque es tu responsabilidad.

El caso real: cuando la temperatura rompe producción

El episodio 15 dejó una lección que vale para cualquiera que tenga un LLM en producción. El sitio de noticias de Cristian generaba contenido con Qwen 3.5 a temperatura 0.7 —un valor que llevaba meses funcionando bien. Al cambiar el modelo a DeepSeek V4 Flash (que en sus pruebas daba mejor redacción y SEO), mantuvo la misma temperatura. El problema: cuando a DeepSeek le faltaba información, inventaba. Resultado, unas 24 horas de noticias con datos alucinados y un fin de semana escribiendo un script para corregirlas. Bajó la temperatura a 0.4-0.5 y el problema desapareció.

La moraleja: la temperatura no se comporta igual entre modelos. El mismo 0.7 que era seguro en un modelo hace alucinar a otro. Cambiar de cerebro obliga a re-probar los casos borde —en especial qué hace el modelo cuando le falta información.

Ver también

El término “temperatura” no aparece en el glosario de Ecosistema Startup porque es del nicho técnico de cómo operar modelos —esa es la división entre los dos glosarios. Para los conceptos más amplios que sí están en eco: LLM (el modelo cuya salida regula la temperatura) y Fine-tuning (otra palanca para controlar cómo responde el cerebro).