---
title: "Cos’è la temperatura in un LLM? La casualità spiegata"
description: "La temperatura è il parametro di campionamento che regola quanto è casuale la risposta di un LLM. Come cambia le probabilità, che valori usare e perché 0 non basta."
url: https://broadrouter.com/it/glossary/temperature/
lang: it
updated: 2026-11-14
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/temperature/) (aggiornato il 2026-11-14).

# Temperatura (temperature)

Aggiornato 2026-11-14

La temperatura è un parametro di campionamento che regola quanto è casuale l’output di un modello linguistico. Il modello divide i punteggi dei token per la temperatura prima di trasformarli in probabilità: con valori bassi domina il token più probabile, con valori alti la distribuzione si appiattisce e i token meno probabili vengono scelti più spesso.

Detto anche: temperatura, temperatura LLM, temperatura di campionamento, parametro temperature, temperature, sampling temperature, LLM temperature, temperature parameter

La temperatura è la manopola tra “sempre la stessa risposta” e “una risposta diversa ogni volta”.

## Come funziona

Un modello produce un punteggio (un logit) per ogni [token](https://broadrouter.com/it/glossary/token/) che potrebbe scrivere subito dopo. Una softmax trasforma i punteggi in probabilità. La temperatura divide prima ciascun punteggio. Hinton e colleghi scrivono la softmax con questa T e osservano che “using a higher value for T produces a softer probability distribution over classes” (traduzione: usare un valore più alto di T produce una distribuzione di probabilità più morbida sulle classi).

-   **T sotto 1** rende la distribuzione più netta. Il token in cima vince più spesso.
-   **T = 1** lascia le probabilità del modello come sono uscite dall’addestramento.
-   **T sopra 1** le appiattisce. I token rari vengono scelti di più.
-   **T vicino a 0** si avvicina al greedy decoding: si prende sempre il token più probabile.

L’API di OpenAI accetta valori “between 0 and 2” (traduzione: tra 0 e 2), con 1 come predefinito. Il suo riferimento dice che 0,8 rende l’output “more random” (più casuale) e 0,2 “more focused and deterministic” (più mirato e deterministico). Consiglia anche di “altering this or `top_p` but not both” (traduzione: modificare questo o `top_p`, non entrambi), perché [top-p](https://broadrouter.com/it/glossary/top-p/) è un secondo modo per ridurre la casualità.

I modelli open spesso arrivano con i propri valori predefiniti. Hugging Face Transformers legge la temperatura dal `generation_config.json` del modello e, se manca, ripiega su 1.0. Uno stack di serving può usare l’uno o l’altro valore.

## Perché è importante

-   **Ripetibilità.** Estrazione, routing e [output strutturato](https://broadrouter.com/it/glossary/structured-output/) hanno bisogno di risposte stabili. Una temperatura più bassa riduce la variazione tra un’esecuzione e l’altra.
-   **Qualità.** Se è troppo alta, il modello scivola verso scelte lessicali strane o dettagli inventati, che alimentano le [allucinazioni](https://broadrouter.com/it/glossary/hallucination/). Se è troppo bassa, i testi lunghi possono andare in loop: Hugging Face nota che il greedy decoding “begins to repeat itself” (traduzione: comincia a ripetersi) sulle sequenze più lunghe.
-   **Valutazione.** Quando confronti modelli, fissa la temperatura. Altrimenti stai misurando il rumore del campionamento. Osservare i [logprobs](https://broadrouter.com/it/glossary/logprobs/) mostra quanto margine aveva il modello.

La temperatura non cambia né prezzo né velocità. Un token costa uguale con qualsiasi impostazione.

## Su BroadNet Inference

Il [riferimento API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-temperature&utm_content=body) di BroadNet non documenta `temperature`, né il suo intervallo ammesso né il valore predefinito, per nessun modello. Gli esempi di richiesta non la impostano. Dato che l’API è compatibile con OpenAI, gli SDK invieranno il campo, ma non è indicato se ogni modello lo rispetti. Impostala esplicitamente e lancia lo stesso prompt più volte per vedere quanto variano le risposte. La [guida all’SDK Python di OpenAI](https://broadrouter.com/it/guides/openai-python-sdk/) mostra come configurare il client.

## Errori comuni

-   Usare temperatura 0 e dare per scontato un output identico per sempre. Salva le risposte che devi poter riprodurre.
-   Alzare la temperatura per correggere una risposta sbagliata. L’accuratezza si migliora con un prompt migliore o più contesto; la temperatura cambia solo la varietà.

## Domande frequenti

### Che temperatura devo usare?

Valori bassi, da 0 a 0,3, per estrazione, classificazione e codice, dove vuoi la stessa risposta ogni volta. Valori più alti, da 0,7 a 1, per brainstorming e formulazioni varie. Provali entrambi sui tuoi prompt.

### Con temperatura 0 l’output è deterministico?

Non è garantito. Spinge il modello verso il token più probabile ogni volta, ma in genere i provider non promettono output identici tra un’esecuzione e l’altra. Salva ogni risposta che devi poter riprodurre.

### Qual è la temperatura predefinita di BroadNet?

La documentazione di BroadNet non indica una temperatura predefinita per nessun modello. Impostala esplicitamente in ogni richiesta se il tuo output ne dipende.

## Vedi anche

-   [Top-p (nucleus sampling)](https://broadrouter.com/it/glossary/top-p/) (termine)
-   [Logprobs (log-probabilità)](https://broadrouter.com/it/glossary/logprobs/) (termine)
-   [Token](https://broadrouter.com/it/glossary/token/) (termine)
-   [Allucinazione (hallucination)](https://broadrouter.com/it/glossary/hallucination/) (termine)
-   [Output strutturato (structured output)](https://broadrouter.com/it/glossary/structured-output/) (termine)
-   [Parametro seed](https://broadrouter.com/it/glossary/seed-parameter/) (termine)
-   [Frequency e presence penalty](https://broadrouter.com/it/glossary/frequency-and-presence-penalty/) (termine)
-   [Usare l’SDK Python di OpenAI con BroadNet Inference](https://broadrouter.com/it/guides/openai-python-sdk/) (guida)
-   [Usare LangChain con BroadNet Inference](https://broadrouter.com/it/guides/langchain-openai-base-url/) (guida)
-   [Come valutare un LLM prima di cambiare provider](https://broadrouter.com/it/blog/evaluate-llm-before-switching/) (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-temperature&utm_content=page-cta) ·

**Fonti**

-   [Riferimento API di OpenAI, creare una chat completion (temperature)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Hugging Face Transformers, GenerationConfig (temperature, valori predefiniti)](https://huggingface.co/docs/transformers/main/en/main_classes/text_generation)
-   [Hugging Face Transformers, strategie di generazione (greedy search e campionamento)](https://huggingface.co/docs/transformers/main/en/generation_strategies)
-   [Hinton, Vinyals e Dean (2015), Distilling the Knowledge in a Neural Network (temperatura della softmax)](https://arxiv.org/abs/1503.02531)
