---
title: "Cosa sono frequency e presence penalty negli LLM? | BroadRouter"
description: "Frequency e presence penalty riducono la probabilità dei token che il modello ha già usato, per limitare le ripetizioni. Differenze, intervalli e repetition_penalty."
url: https://broadrouter.com/it/glossary/frequency-and-presence-penalty/
lang: it
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/frequency-and-presence-penalty/) (aggiornato il 2026-11-15).

# Frequency e presence penalty

Aggiornato 2026-11-15

Frequency e presence penalty sono impostazioni di campionamento che abbassano il punteggio dei token già presenti nell’output. La presence penalty si applica appena un token è comparso; la frequency penalty cresce a ogni ripetizione. Nell’API di OpenAI entrambe vanno da -2.0 a 2.0, con 0 come predefinito.

Detto anche: penalità di frequenza, penalità di presenza, penalità di ripetizione, frequency penalty, presence penalty, frequency\_penalty, presence\_penalty, repetition penalty

Un modello finito in un loop ripete la stessa frase finché non esaurisce i token. Le penalità sono una correzione grossolana applicata al momento del campionamento.

## Come funziona

Prima di estrarre ogni [token](https://broadrouter.com/it/glossary/token/) successivo, il server corregge i punteggi dei token già generati.

| Impostazione | Cosa penalizza secondo la documentazione di vLLM | Intervallo e valore predefinito |
| --- | --- | --- |
| `presence_penalty` | I token “based on whether they appear in the generated text so far” (in base al fatto che compaiano nel testo generato fin lì) | OpenAI: da -2.0 a 2.0, predefinito 0 |
| `frequency_penalty` | I token “based on their frequency in the generated text so far” (in base alla loro frequenza nel testo generato fin lì) | OpenAI: da -2.0 a 2.0, predefinito 0 |
| `repetition_penalty` | I token “based on whether they appear in the prompt and the generated text so far” (in base al fatto che compaiano nel prompt e nel testo generato fin lì) | vLLM e Hugging Face: 1.0 significa nessuna penalità |

I valori positivi allontanano dai token già usati; quelli negativi rendono più probabili le ripetizioni. OpenAI dice che una frequency penalty positiva riduce “the model’s likelihood to repeat the same line verbatim” (la probabilità che il modello ripeta la stessa riga alla lettera) e che una presence penalty positiva aumenta “the model’s likelihood to talk about new topics” (la probabilità che il modello parli di argomenti nuovi). Per `repetition_penalty`, vLLM dice che i valori sopra 1 favoriscono token nuovi e quelli sotto 1 favoriscono la ripetizione. La documentazione di Hugging Face rimanda all’articolo su CTRL per questa penalità.

```json
{"model": "...", "messages": [...], "frequency_penalty": 0.5, "presence_penalty": 0.3}
```

## Perché è importante

-   **Loop negli output lunghi.** Agenti e riassunti lunghi possono cadere in testo ripetitivo. Una piccola penalità può spezzare il loop, e un limite rigido di [max\_tokens](https://broadrouter.com/it/glossary/max-tokens/) contiene il danno.
-   **Effetti collaterali.** Le penalità agiscono sui token, non sulle idee. Una penalità forte può impedire al modello di riusare parole di cui ha bisogno, come il nome di una variabile nel codice, una chiave JSON o un nome in un testo arabo che si ripete per scelta. Parti da 0 e cambia a piccoli passi.
-   **Sovrapposizione con il campionamento.** Anche [temperatura](https://broadrouter.com/it/glossary/temperature/) e [top-p](https://broadrouter.com/it/glossary/top-p/) cambiano la varietà. Nei test, cambia un’impostazione alla volta.

## Su BroadNet Inference

Il [riferimento API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-frequency-and-presence-penalty&utm_content=body) di BroadNet non documenta `frequency_penalty`, `presence_penalty` né `repetition_penalty`. Provali prima di farci affidamento: invia un prompt che tende a ripetersi, con e senza il campo, e confronta. Se nelle esecuzioni lunghe compaiono ripetizioni, prova un prompt più chiaro, un limite di output più basso, oppure ferma l’esecuzione e riprendi da un checkpoint; l’[articolo sulle esecuzioni notturne degli agenti](https://broadrouter.com/it/blog/overnight-coding-agent-runs/) descrive questo schema.

## Errori comuni

-   Alzare molto le penalità per correggere un problema del prompt. Spesso la ripetizione significa che il modello non ha un punto di arresto chiaro.
-   Usare una penalità sull’output strutturato, dove le chiavi devono ripetersi.

## Domande frequenti

### Che differenza c’è tra frequency e presence penalty?

La presence penalty si chiede "questo token è già comparso?" e si applica una volta sola. La frequency penalty si chiede "quante volte?" e cresce a ogni ripetizione. vLLM le descrive come penalità sui token in base al fatto che compaiano e alla loro frequenza nel testo generato fin lì.

### repetition\_penalty è la stessa cosa?

No. È un moltiplicatore separato usato da vLLM e Hugging Face, dove 1.0 significa nessuna penalità. vLLM lo applica ai token del prompt e dell’output, non solo dell’output.

### BroadNet Inference supporta queste penalità?

Il riferimento API di BroadNet non documenta frequency\_penalty, presence\_penalty né repetition\_penalty. Provali prima di farci affidamento.

## Vedi anche

-   [Temperatura (temperature)](https://broadrouter.com/it/glossary/temperature/) (termine)
-   [Top-p (nucleus sampling)](https://broadrouter.com/it/glossary/top-p/) (termine)
-   [Token](https://broadrouter.com/it/glossary/token/) (termine)
-   [Logprobs (log-probabilità)](https://broadrouter.com/it/glossary/logprobs/) (termine)
-   [Parametro seed](https://broadrouter.com/it/glossary/seed-parameter/) (termine)
-   [Come far lavorare gli agenti di coding di notte, in sicurezza](https://broadrouter.com/it/blog/overnight-coding-agent-runs/) (articolo)
-   [Budget di token di un agente: dove vanno i token di un ciclo](https://broadrouter.com/it/blog/agent-token-budget/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-frequency-and-presence-penalty&utm_content=page-cta) ·

**Fonti**

-   [Riferimento API di OpenAI, creare una chat completion (frequency\_penalty, presence\_penalty) (verificato il 2026-11-15)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Documentazione di vLLM, SamplingParams (penalità di presenza, frequenza e ripetizione) (verificato il 2026-11-15)](https://docs.vllm.ai/en/latest/api/vllm/sampling_params/)
-   [Keskar et al., CTRL: A Conditional Transformer Language Model for Controllable Generation, arXiv 1909.05858 (verificato il 2026-11-15)](https://arxiv.org/abs/1909.05858)
-   [Hugging Face Transformers, GenerationConfig (repetition\_penalty) (verificato il 2026-11-15)](https://huggingface.co/docs/transformers/main_classes/text_generation)
