Température

Posez deux fois la même question à Claude : vous obtiendrez souvent deux réponses différentes. Ce comportement n’est pas un défaut — c’est un réglage. La température est le paramètre qui contrôle le degré de créativité ou de déterminisme des réponses, et bien la maîtriser peut transformer la qualité de vos applications IA : le bon réglage dépend entièrement de la tâche.

Comment Claude génère du texte

Pour comprendre ce que la température règle vraiment, il faut voir comment le texte naît. Quand vous envoyez un prompt à Claude, le processus se déroule en trois phases :

1. Tokenisation : découpe de votre texte en unités élémentaires (tokens)
2. Prédiction : calcul des probabilités pour chaque token suivant possible
3. Échantillonnage : sélection d’un token selon ces probabilités

Par exemple, après « Que pensez-vous », le mot « de » pourrait avoir 30 % de chances, « du » 20 %, etc. Ce processus se répète pour chaque token jusqu’à la fin de la réponse — et c’est à l’étape d’échantillonnage, ce tirage au sort permanent, que la température intervient.

Ce que fait la température

La température est une valeur décimale entre 0 et 1 qui influence directement les probabilités de sélection des tokens :

• Température basse (proche de 0) : le token le plus probable est presque toujours sélectionné
• Température haute (proche de 1) : la probabilité est répartie plus uniformément entre tous les tokens possibles

À température 0, Claude devient déterministe : il choisit toujours le token le plus probable, et les réponses se ressemblent d’une exécution à l’autre. À température 1, les tokens moins probables ont beaucoup plus de chances d’être sélectionnés, ce qui produit des réponses plus créatives et variées — chaque tirage peut bifurquer, et une bifurcation en début de réponse change toute la suite.

Plages et cas d’usage

Le fil conducteur : plus une variation coûte cher, plus la température doit être basse. Une extraction de données qui varie est cassée ; un brainstorming qui ne varie pas est inutile.

Configurer la température dans le code

Par défaut, la température de Claude est à 1.0 (créativité maximale) — un défaut à connaître, car beaucoup d’applications factuelles gagneraient à le baisser. Sur Bedrock, le réglage passe par la configuration d’inférence :

def chat(messages, system=None, temperature=1.0):
    params = {
        "modelId": model_id,
        "messages": messages,
        "inferenceConfig": {"temperature": temperature}
    }

    if system:
        params["system"] = [{"text": system}]

    response = client.converse(**params)
    return response["output"]["message"]["content"][0]["text"]

Le bloc inferenceConfig regroupe les paramètres de génération de l’API Converse — la température aujourd’hui, d’autres réglages au besoin. Notre fonction chat l’expose en paramètre avec sa valeur par défaut : chaque appel peut désormais choisir son réglage, tâche par tâche.

Exemple concret

Avec un prompt de génération d’idées de films :

• Température 1.0 : « Une maître origamiste solitaire découvre que ses créations en papier prennent vie la nuit, l’entraînant dans un voyage magique pour sauver leur monde miniature d’une créature d’ombre mystérieuse. »

• Température 0.0 : « Un archéologue voyageur temporel doit empêcher des artefacts antiques d’être volés par un milliardaire de la tech qui les utilise pour construire une arme fatale. » (Cette réponse sera quasi identique à chaque exécution.)

L’écart est parlant : à 1.0, l’imprévu — l’origami vivant — ; à 0.0, l’archétype solide qui revient à chaque tirage. Aucune des deux réponses n’est « meilleure » dans l’absolu : utilisez des températures basses pour la précision et la cohérence, des températures hautes pour la créativité et la variété — et calibrez par l’essai sur votre tâche réelle.

Points clés à retenir

• La température (0 à 1) règle l’échantillonnage des tokens : basse = déterministe, haute = varié
• Règle de choix : plus la variation coûte cher (données, code), plus la température descend
• Défaut à 1.0 sur Bedrock — pensez à le baisser pour les tâches factuelles
• Réglage via inferenceConfig de l’API Converse, exposé en paramètre de chat
• Ni bon ni mauvais réglage dans l’absolu : la tâche décide, l’expérimentation calibre