Température et Paramètres de Génération

Leçon réécrite le 3 novembre 2026 d’après les bonnes pratiques de xAI, la référence de l’API (Chat Completions et Responses) et le guide Reasoning : xAI recommande temperature à 0,7 et top_p à 0,95 pour ses modèles, les températures au-delà de 1 sont ramenées à 1, top_p vaut 0,95 par défaut, max_completion_tokens ne plafonne que la réponse visible (128 000 tokens par défaut) et seed ne garantit pas le déterminisme. L’ancienne version recommandait des températures jusqu’à 2, un top_p par défaut de 1 et un plafond incluant le raisonnement. Sources : Best practices · Chat Completions · Reasoning.

Contrôler la génération avec les paramètres

Au-delà du texte de votre prompt, l’API Grok accepte plusieurs paramètres numériques qui influencent la manière dont le modèle génère sa réponse. Avec les modèles actuels, la leçon principale est contre-intuitive : ces réglages se manient avec beaucoup de retenue, et c’est le prompt, bien plus que les curseurs, qui fait la qualité de la réponse.

La température

La température règle le degré d’aléatoire dans le choix des tokens. La référence de l’API la décrit classiquement : une valeur basse, comme 0,2, rend la sortie plus ciblée et plus déterministe ; une valeur plus haute, comme 0,8, plus variée. Elle accepte des valeurs de 0 à 2, mais tout ce qui dépasse 1 est échantillonné à 1.

Les bonnes pratiques de xAI vont plus loin : réglez temperature à 0,7 et ne vous en écartez pas beaucoup. D’après xAI, les modèles Grok réagissent mal aux autres réglages d’échantillonnage, et la qualité baisse généralement quand on les modifie.

{
  "model": "grok-4.7",
  "messages": [{"role": "user", "content": "Propose un slogan pour une boulangerie bio"}],
  "temperature": 0.7,
  "top_p": 0.95
}

Pour obtenir plus de créativité, plus de rigueur ou plus de concision, passez donc par le prompt : demandez explicitement des propositions inattendues, un ton factuel ou une réponse en trois puces. C’est l’objet des leçons suivantes.

Le paramètre top_p (nucleus sampling)

Le paramètre top_p limite le choix aux tokens qui cumulent une masse de probabilité donnée : à 0,1, seuls les tokens qui représentent les 10 % de probabilité les plus forts sont considérés. Les modèles texte actuels de Grok l’ont à 0,95 par défaut, et les valeurs supérieures au défaut du modèle sont ramenées à ce défaut.

La référence de l’API reprend le conseil habituel de modifier soit temperature, soit top_p, mais pas les deux. Les bonnes pratiques de xAI, plus récentes et propres à ses modèles, demandent au contraire de fixer les deux explicitement à chaque requête — 0,7 et 0,95 — pour que vos résultats ne dépendent pas des valeurs par défaut du serveur, et d’utiliser les mêmes valeurs pour tous les modèles que vous comparez.

max_completion_tokens

Ce paramètre limite le nombre de tokens de la réponse. Il sert à contrôler la longueur et le coût de la partie visible.

{
  "model": "grok-4.7",
  "messages": [{"role": "user", "content": "Résume ce document en trois points"}],
  "max_completion_tokens": 500
}

Points importants, d’après la référence de l’API :

• Il ne s’applique qu’aux tokens visibles : le raisonnement et les appels de fonction n’y comptent pas ; c’est l’effort de raisonnement qui règle la réflexion
• Sans valeur, il vaut 128 000 tokens ; l’ancien max_tokens est déprécié
• Si la limite est atteinte, la réponse est coupée et finish_reason vaut "length" au lieu de "stop" (la Responses API, elle, nomme ce plafond max_output_tokens et signale un statut incomplete)

Le paramètre seed

Le paramètre seed demande au système un échantillonnage aussi déterministe que possible : des requêtes répétées avec la même seed et les mêmes paramètres devraient donner le même résultat. La référence de l’API précise que le déterminisme n’est pas garanti, et renvoie au champ system_fingerprint de la réponse pour repérer les changements côté serveur.

{
  "model": "grok-4.7",
  "messages": [{"role": "user", "content": "Génère 5 noms de startup tech"}],
  "temperature": 0.7,
  "top_p": 0.95,
  "seed": 42
}

Cas d’usage de la seed :

• Tests et débogage : vérifier qu’un prompt produit des résultats stables
• Comparaison : tester différentes formulations de prompt avec la même seed pour isoler l’effet du changement
• Suivi : journaliser seed et system_fingerprint avec chaque résultat, pour expliquer un écart

Les paramètres refusés par les modèles de raisonnement

Les modèles actuels de Grok raisonnent : presence_penalty, frequency_penalty et stop ne peuvent pas leur être envoyés, et une requête qui les contient renvoie une erreur. logprobs, de son côté, est ignoré à partir de Grok 4.20. Si vous reprenez un code écrit pour un autre fournisseur, retirez ces paramètres.

Réglages recommandés

xAI ne propose pas de jeu de réglages par usage : sa recommandation est la même partout.

{"temperature": 0.7, "top_p": 0.95}

Ajoutez au besoin un max_completion_tokens adapté à la longueur attendue, une seed pour vos tests, et, sur grok-4.5 à 4.7, un effort de raisonnement (reasoning_effort) choisi selon la difficulté de la tâche : c’est lui, et non la température, qui arbitre entre vitesse, coût et profondeur.

Mise en pratique

Envoyez trois fois le même prompt, avec temperature à 0,7 et top_p à 0,95, puis trois fois une version du prompt qui précise le ton et le format attendus :

Prompt A : "Propose trois noms pour une application de méditation"
Prompt B : "Propose trois noms courts, évocateurs et inattendus pour une application
de méditation destinée aux cadres pressés. Un nom par ligne, sans explication."

Comparez la variété et la pertinence des réponses : la différence vient du prompt, pas des paramètres.

Points clés à retenir

• xAI recommande temperature à 0,7 et top_p à 0,95, fixés explicitement à chaque requête
• Au-delà de 1, la température est ramenée à 1 ; top_p ne dépasse pas le défaut du modèle (0,95)
• max_completion_tokens ne limite que la réponse visible, 128 000 tokens par défaut
• seed vise la reproductibilité sans la garantir : suivez system_fingerprint
• presence_penalty, frequency_penalty et stop sont refusés par les modèles de raisonnement