---
title: "Apakah itu frequency penalty dan presence penalty? | BroadRouter"
description: "Penalti kekerapan dan kehadiran merendahkan peluang token yang sudah digunakan model, untuk mengurangkan ulangan. Bezanya, julatnya, dan repetition_penalty."
url: https://broadrouter.com/ms/glossary/frequency-and-presence-penalty/
lang: ms
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/glossary/frequency-and-presence-penalty/) (dikemas kini 2026-11-15).

# Penalti kekerapan dan kehadiran

Dikemas kini 2026-11-15

Penalti kekerapan dan kehadiran (frequency dan presence penalty) ialah tetapan pensampelan yang merendahkan skor token yang sudah ada dalam output. Penalti kehadiran dikenakan sekali sebaik token muncul; penalti kekerapan meningkat dengan setiap ulangan. Dalam API OpenAI, julat kedua-duanya -2.0 hingga 2.0, dengan nilai lalai 0.

Juga dikenali sebagai: penalti kekerapan, penalti kehadiran, penalti ulangan, frequency penalty, presence penalty, frequency\_penalty, presence\_penalty, repetition penalty

Model yang tersekat dalam gelung mengulangi frasa yang sama sehingga token habis. Penalti ialah penyelesaian kasar yang dikenakan semasa pensampelan.

## Cara ia berfungsi

Sebelum setiap [token](https://broadrouter.com/ms/glossary/token/) seterusnya dicabut, pelayan melaraskan skor token yang sudah dijana.

| Tetapan | Apa yang dihukum, menurut dokumentasi vLLM | Julat dan nilai lalai |
| --- | --- | --- |
| `presence_penalty` | Token “based on whether they appear in the generated text so far” (berdasarkan sama ada ia muncul dalam teks yang dijana setakat ini) | OpenAI: -2.0 hingga 2.0, lalai 0 |
| `frequency_penalty` | Token “based on their frequency in the generated text so far” (berdasarkan kekerapannya dalam teks yang dijana setakat ini) | OpenAI: -2.0 hingga 2.0, lalai 0 |
| `repetition_penalty` | Token “based on whether they appear in the prompt and the generated text so far” (berdasarkan sama ada ia muncul dalam prompt dan teks yang dijana setakat ini) | vLLM dan Hugging Face: 1.0 bermaksud tiada penalti |

Nilai positif menolak model menjauhi token yang sudah digunakan; nilai negatif menjadikan ulangan lebih mungkin. OpenAI menyatakan frequency penalty yang positif merendahkan “the model’s likelihood to repeat the same line verbatim” (kemungkinan model mengulangi baris yang sama perkataan demi perkataan), dan presence penalty yang positif menaikkan “the model’s likelihood to talk about new topics” (kemungkinan model bercakap tentang topik baharu). Bagi `repetition_penalty`, vLLM menyatakan nilai melebihi 1 mengutamakan token baharu dan nilai bawah 1 mengutamakan ulangan. Dokumentasi Hugging Face merujuk kepada kertas CTRL untuk penalti ini.

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

## Mengapa ia penting

-   **Gelung dalam output panjang.** Ejen dan ringkasan panjang boleh terjerumus ke dalam teks berulang. Penalti kecil boleh memecahkan gelung itu, dan had [max\_tokens](https://broadrouter.com/ms/glossary/max-tokens/) yang ketat mengehadkan kerosakan.
-   **Kesan sampingan.** Penalti bertindak pada token, bukan idea. Penalti yang kuat boleh menghalang model daripada menggunakan semula perkataan yang diperlukannya, seperti nama pemboleh ubah dalam kod, kunci JSON, atau nama dalam teks Arab yang memang berulang. Mulakan pada 0 dan ubah sedikit demi sedikit.
-   **Pertindihan dengan pensampelan.** [Temperature](https://broadrouter.com/ms/glossary/temperature/) dan [top-p](https://broadrouter.com/ms/glossary/top-p/) juga mengubah kepelbagaian. Ubah satu tetapan pada satu masa semasa menguji.

## Di BroadNet Inference

[Rujukan API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-glossary-frequency-and-presence-penalty&utm_content=body) BroadNet tidak mendokumenkan `frequency_penalty`, `presence_penalty` atau `repetition_penalty`. Uji sebelum bergantung padanya: hantar prompt yang cenderung berulang, dengan dan tanpa medan itu, dan bandingkan. Jika ulangan muncul dalam larian panjang, cuba prompt yang lebih jelas, had output yang lebih rendah, atau hentikan larian dan sambung semula dari titik semak; [artikel larian ejen semalaman](https://broadrouter.com/ms/blog/overnight-coding-agent-runs/) membincangkan corak itu.

## Kesilapan biasa

-   Menetapkan penalti yang tinggi untuk membetulkan masalah prompt. Ulangan selalunya bermaksud model tiada titik henti yang jelas.
-   Menggunakan penalti pada output berstruktur, di mana kunci mesti berulang.

## Soalan lazim

### Apakah perbezaan antara frequency penalty dan presence penalty?

Presence penalty bertanya "adakah token ini sudah muncul?" dan dikenakan sekali. Frequency penalty bertanya "berapa kerap?" dan meningkat dengan setiap ulangan. vLLM menerangkan kedua-duanya sebagai menghukum token berdasarkan sama ada ia muncul dan berdasarkan kekerapannya dalam teks setakat ini.

### Adakah repetition\_penalty perkara yang sama?

Tidak. Ia pendarab berasingan yang digunakan oleh vLLM dan Hugging Face, di mana 1.0 bermaksud tiada penalti. vLLM mengenakannya pada token dalam prompt dan output, bukan output sahaja.

### Adakah BroadNet Inference menyokong penalti ini?

Rujukan API BroadNet tidak mendokumenkan frequency\_penalty, presence\_penalty atau repetition\_penalty. Uji sebelum bergantung padanya.

## Lihat juga

-   [Temperature (suhu pensampelan)](https://broadrouter.com/ms/glossary/temperature/) (istilah)
-   [Top-p (pensampelan nukleus)](https://broadrouter.com/ms/glossary/top-p/) (istilah)
-   [Token](https://broadrouter.com/ms/glossary/token/) (istilah)
-   [Logprobs (kebarangkalian log)](https://broadrouter.com/ms/glossary/logprobs/) (istilah)
-   [Parameter seed](https://broadrouter.com/ms/glossary/seed-parameter/) (istilah)
-   [Menjalankan ejen pengekodan semalaman tanpa pengawasan dengan selamat](https://broadrouter.com/ms/blog/overnight-coding-agent-runs/) (artikel)
-   [Bajet token ejen: ke mana token gelung ejen pergi](https://broadrouter.com/ms/blog/agent-token-budget/) (artikel)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

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

**Sumber**

-   [Rujukan API OpenAI, create chat completion (frequency\_penalty, presence\_penalty) (disemak 2026-11-15)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Dokumentasi vLLM, SamplingParams (penalti presence, frequency dan repetition) (disemak 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 (disemak 2026-11-15)](https://arxiv.org/abs/1909.05858)
-   [Hugging Face Transformers, GenerationConfig (repetition\_penalty) (disemak 2026-11-15)](https://huggingface.co/docs/transformers/main_classes/text_generation)
