کنترلِ خلاقیت، دقت و عمق

در این فصل چه یاد می‌گیری#

تا اینجا با متنِ پرامپت کار کرده‌ای: نیت، زمینه، تکرار، نقشِ ثابت. این فصل سراغِ چند دکمهٔ کنترلی می‌رود که مستقلاً روی رفتارِ مدل اثر می‌گذارند. با temperature تعیین می‌کنی مدل چقدر خلاق یا چقدر دقیق باشد؛ با یک جملهٔ ساده طول و قالبِ جواب را کنترل می‌کنی؛ و با reasoning model تصمیم می‌گیری کِی بگذاری مدل قبل از جواب‌دادن بیشتر فکر کند. آخر این فصل می‌توانی خروجی را دقیقاً به‌اندازهٔ کارَت کوک کنی — نه خیلی خشک، نه خیلی رها.

آخر این فصل می‌توانی:

• بگویی temperature چیست و اثرش را روی خلاق‌بودن در برابر دقیق‌بودن با چشمِ خودت ببینی
• طول و قالبِ خروجی را با یک جمله کنترل کنی
• بفهمی reasoning model چیست و کِی ارزشِ فکرِ بیشتر را دارد
• برای هر کار انتخاب کنی: دقیق، خلاق، یا عمیق

قبل از شروع#

• از ترم ۱ فصل ۳: مدل جمله را کلمه‌به‌کلمه می‌سازد و هر بار محتمل‌ترین ادامه را حدس می‌زند.
• از فصل ۲ همین ترم: می‌توانی قالبِ خروجی را در پرامپت تعیین کنی.
• از فصل ۵ همین ترم: system prompt یک نقشِ پایدار به مدل می‌دهد.

فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.

۱. یک دکمهٔ تازه: temperature#

یادت هست که مدل هر کلمه را با پیش‌بینیِ محتمل‌ترین ادامه می‌سازد. temperature تعیین می‌کند مدل چقدر به آن «محتمل‌ترین» انتخاب پایبند بماند. آن را مثلِ یک اهرم تصور کن:

• temperatureِ پایین (نزدیکِ صفر): مدل تقریباً همیشه محتمل‌ترین کلمه را برمی‌دارد. نتیجه دقیق، قابلِ‌پیش‌بینی و باثبات است — هر بار تقریباً یک جواب. عالی برای وقتی که درستی مهم است.
• temperatureِ بالا: مدل گاهی کلمه‌های کم‌احتمال‌تر را هم انتخاب می‌کند. نتیجه متنوع، غافل‌گیرکننده و خلاق است — ولی همراهش بی‌ثباتی و احتمالِ بیشترِ خطا هم می‌آید.

یک اهرم، دو سرِ طیف: یک سر دقت، سرِ دیگر خلاقیت. کارِ تو این است که بسته به کار، اهرم را جای درستش بگذاری.

۲. اثرِ temperature را ببین#

این را فقط نخوان؛ ببین. یک پرامپتِ خلاقانه را دو بار امتحان کن، یک بار با temperatureِ پایین و یک بار با بالا:

سه اسمِ خلاقانه برای یک کافه‌کتاب پیشنهاد بده.

با temperatureِ پایین، جوابی امن‌تر و قابلِ‌پیش‌بینی‌تر می‌گیری، چیزی شبیهِ این — و مهم‌تر از خودِ اسم‌ها: اگر دوباره بفرستی، تقریباً کلمه‌به‌کلمه همان‌ها برمی‌گردد:

۱. کافهٔ آرام
۲. خانهٔ قهوه
۳. کافه‌کتاب

اسم‌های temperatureِ پایین لزوماً بی‌مزه نیستند — گاهی کاملاً خوش‌ساخت‌اند. چیزی که واقعاً باید ببینی تکرارپذیری است: دو بار بفرست و دو خروجی را کنارِ هم بگذار. اگر تقریباً یکی بودند، اهرم را دیده‌ای. حالا temperature را بالا ببر و همان را بفرست. جواب زنده‌تر و غیرمنتظره‌تر می‌شود، و — نکتهٔ اصلی — هر بار فرق می‌کند:

۱. فنجان و فصل
۲. قهوه زیرِ چراغِ مطالعه
۳. هزارتوی کاغذی

همین اهرم برای کارِ خلاق نعمت است و برای کارِ دقیق دردسر. حالا یک سؤالِ واقعی بپرس — مثلاً یک تعریفِ مشخص یا یک واقعیت — و temperature را بالا بگذار. مدل بیشتر لغزش می‌کند و راحت‌تر یک جزءِ ساختگی به جواب اضافه می‌کند، چون داری تشویقش می‌کنی از محتمل‌ترین مسیر منحرف شود. پس برای واقعیت‌ها اهرم را پایین نگه دار.

✅ وارسی: پایین‌بودنِ temperature جواب را باثبات‌تر می‌کند، نه لزوماً درست‌تر. یک جوابِ غلط می‌تواند با temperatureِ پایین، هر بار همان‌قدر مطمئن و همان‌قدر غلط تکرار شود. پس هر ادعای واقعی را باز هم با منبعِ اصلی تطبیق بده: «اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».

قبل از ادامه، جواب بده: برای نوشتنِ یک شعرِ بامزه، اهرمِ temperature را بالا می‌گذاری یا پایین؟ برای پرسیدنِ یک تعریفِ دقیق چطور؟

۳. کنترلِ طول و قالب#

دو دکمهٔ کنترلیِ دیگر اصلاً اهرمِ جدا ندارند — با یک جمله در پرامپت انجام می‌شوند. طول را مستقیم بخواه: «در یک جمله»، «در سه بند»، «کوتاه». و قالب را هم صریح بگو: «به‌صورتِ فهرست»، «در یک جدول»، «فقط یک کلمه». مدل به این خواسته‌ها خوب گوش می‌دهد و همین کنترلِ ساده، خروجی را از یک متنِ کلی به چیزی دقیقاً به‌دردبخور تبدیل می‌کند.

امتحان کن. اول این را بفرست:

عکاسی چیست؟

یک توضیحِ کلی و نسبتاً بلند می‌گیری. حالا همان را با کنترلِ طول و قالب دوباره بخواه:

عکاسی چیست؟ در دقیقاً دو جمله و به زبانِ ساده جواب بده.

این‌بار جوابی کوتاه و مرتب می‌گیری. همین یک جمله تفاوتِ بینِ «یک مقالهٔ کوچک» و «چیزی که می‌شود سریع خواند» است.

💡 نکته: کنترلِ طول و قالب را با system prompt ترکیب کن تا در کلِ گفت‌وگو پابرجا بماند — مثلاً در نقش بنویس «همیشه کوتاه و به‌صورتِ فهرست جواب بده» تا لازم نباشد در هر پیام تکرارش کنی.

۴. reasoning model: کِی بگذار مدل بیشتر فکر کند#

بعضی مدل‌ها یک حالتِ دیگر هم دارند: به‌جای اینکه فوری جواب بدهند، اول قدم‌به‌قدم روی مسئله کار می‌کنند و بعد جوابِ نهایی را می‌دهند. به این‌ها reasoning model می‌گویند. این فکرِ بیشتر رایگان نیست — کندتر است — ولی برای مسئله‌های سخت و چندمرحله‌ای فرق می‌کند. یک نمونه را با چشمِ خودت ببین:

از عددِ ۱ تا ۵۰۰، رقمِ «۳» در مجموع چند بار ظاهر می‌شود؟ فقط عدد را بگو.

این سؤال هیچ دانشِ خاصی نمی‌خواهد؛ فقط باید سه جا را جدا بشماری و جمع کنی: رقمِ یکان، رقمِ دهگان، رقمِ صدگان. یعنی دقیقاً یک مسئلهٔ چندمرحله‌ای. مدل در حالتِ سریع معمولاً یک عددِ گِردِ نزدیک‌به‌درست می‌دهد — چیزی مثلِ ۱۹۰ — که با اطمینانِ کامل هم گفته می‌شود و کاملاً غلط است. حالا همان سؤال را به یک reasoning model بده یا اجازه بده قدم‌هایش را بنویسد. این‌بار قبل از جواب کمی «کار می‌کند»: یکان‌ها ۵۰ تا، دهگان‌ها ۵۰ تا، و صدگان‌ها (یعنی ۳۰۰ تا ۳۹۹) ۱۰۰ تا. جوابِ درست: ۲۰۰.

فرق در این نبود که مدل چیزِ بیشتری می‌دانست؛ فرق در این بود که فرصتِ فکر داشت و از دامِ اولین حدس رها شد. برای مسئله‌های منطقی، برنامه‌ریزیِ چندقدمی و هر چیزی که یک لغزشِ کوچک همه‌چیز را خراب می‌کند، همین فکرِ اضافه ارزش دارد.

💡 نکته: معماهای کلاسیک (مثلِ «پدرِ نیما پنج فرزند دارد…») برای این کار دیگر خوب نیستند: آن‌قدر در متنِ اینترنت تکرار شده‌اند که مدل‌های امروز حتی در حالتِ سریع هم جوابشان را از بر دارند. یک آزمایشِ خوبِ «عمق» باید کاری باشد که حفظ‌کردنی نیست و باید همان لحظه انجام شود — مثلِ همین شمردنِ رقم‌ها. این خودش یک درسِ کوچک است دربارهٔ اینکه چرا معیارهای قدیمی زود کهنه می‌شوند.

💡 نکته: reasoning model نوش‌دارو نیست. برای کارِ ساده یا خلاق (مثلِ همان اسمِ کافه) فقط کندترت می‌کند بدونِ سودِ واقعی. عمقِ بیشتر را جایی خرج کن که مسئله واقعاً سخت باشد.

قبل از ادامه، جواب بده: برای «یک اسمِ بامزه برای گربه‌ام پیشنهاد بده» به reasoning model نیاز داری؟ برای «این چند شرط را کنارِ هم بگذار و نتیجه بگیر» چطور؟

۵. کِی دقیق، کِی خلاق، کِی عمیق#

حالا سه دکمه داری و می‌توانی برای هر کار درست انتخاب کنی:

• دقیق (واقعیت، تعریف، خلاصهٔ وفادار): temperatureِ پایین، طولِ کوتاه، قالبِ روشن.
• خلاق (ایده، اسم، داستان، طوفانِ فکری): temperatureِ بالا، آزادیِ بیشتر در قالب.
• عمیق (مسئلهٔ منطقی و چندمرحله‌ای): reasoning model را روشن کن و بگذار فکر کند.

ولی زیرِ هر سه، یک قاعده ثابت می‌ماند. هیچ‌کدام از این دکمه‌ها درستی را تضمین نمی‌کنند: temperatureِ پایین جواب را باثبات می‌کند نه درست، و reasoning model هم می‌تواند مطمئن و غلط باشد.

✅ وارسی: هر خروجی — با هر تنظیمی از این سه دکمه — اگر یک ادعای واقعی دارد، باید با منبعِ مستقلِ اصلی تطبیق بخورد. دکمه‌ها شکلِ جواب را کنترل می‌کنند، نه حقیقتش را. «اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».

واژه‌های تازهٔ این فصل#

در فصل بعد#

حالا می‌توانی هم متنِ پرامپت و هم دکمه‌های خروجی را کنترل کنی. فصلِ بعد همهٔ این‌ها را جمع می‌کنیم و یک پرامپتِ ساختارمند می‌سازیم: یک الگوی قابلِ‌استفادهٔ مجدد که به‌جای یک جوابِ یک‌بارمصرف، یک ابزارِ واقعی برایت می‌شود — چیزی که می‌توانی نگهش داری، بهترش کنی، و با دیگران به اشتراک بگذاری.