# فصل ۰۶ — کنترلِ خلاقیت، دقت و عمق

<div dir="rtl">

# فصل ۰۶ — 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.

![یک تابلوی کنترل با سه اهرم و دکمه: یکی برای خلاقیت، یکی برای طول، یکی برای عمقِ فکر، همه به یک خروجیِ متن وصل‌اند](/lesson-assets/t2-s06-tune/prompt/01-image-controls.png)

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.

> 🧪 **آزمایشگاه:** [آزمایشگاه این فصل را باز کن](/lab/embed/hamhoosh/term-2-effective-prompting/session-06-tune) — اینجا یک اهرمِ `temperature` می‌بینی که می‌توانی بالا و پایینش کنی و بلافاصله اثرش را روی خروجی ببینی.

> ⚠️ **مواظب باش:** این اهرم در حالِ کم‌رنگ‌شدن است. مستنداتِ Gemini در زمانِ نوشتنِ این کتاب می‌گوید تازه‌ترین مدل‌ها مقدارِ `temperature` را نادیده می‌گیرند. پس اگر عوض‌کردنش هیچ فرقی نداد، ایراد از تو نیست. خودِ مفهوم سرِ جایش می‌ماند، چون مدل به هر حال از میانِ کلمه‌های محتمل انتخاب می‌کند؛ فقط ممکن است دیگر تو تنظیمش نکنی.

## 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:

- `temperature`ِ **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.
- `temperature`ِ **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 `temperature`ِ پایین و یک بار با بالا:

</div>

```text
سه اسمِ خلاقانه برای یک کافه‌کتاب پیشنهاد بده.
```

<div dir="rtl">

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

</div>

```text
۱. کافهٔ آرام
۲. خانهٔ قهوه
۳. کافه‌کتاب
```

<div dir="rtl">

اسم‌های `temperature`ِ 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:

</div>

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

<div dir="rtl">

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. احتمالِ لغزش بیشتر است و مدل راحت‌تر یک جزءِ ساختگی به جواب اضافه می‌کند، چون داری تشویقش می‌کنی از محتمل‌ترین مسیر منحرف شود. این اثر آماری است؛ روی سؤالی ساده و پرتکرار شاید در چند بار فرستادن چیزی نبینی. پس برای واقعیت‌ها اهرم را پایین نگه دار.

> ✅ **وارسی:** پایین‌بودنِ `temperature` جواب را **باثبات‌تر** می‌کند، نه لزوماً **درست‌تر**. یک جوابِ غلط می‌تواند با `temperature`ِ 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:

</div>

```text
عکاسی چیست؟
```

<div dir="rtl">

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

</div>

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

<div dir="rtl">

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:

</div>

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

<div dir="rtl">

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** ممکن است یک عددِ گِردِ نزدیک‌به‌درست بدهد — 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**.

**و اگر دستیارِ تو در حالتِ سریع هم ۲۰۰ داد چه؟** کاملاً محتمل است، و درس را باطل نمی‌کند — فقط سنجهٔ درست را نشانت می‌دهد. مدل‌های امروز اغلب پیش از جوابِ نهایی، خودشان مقداری قدم برمی‌دارند، حتی وقتی چیزی نشانت نمی‌دهند؛ پس «حالتِ سریع» یک برچسبِ قابلِ‌اعتماد نیست. سنجه‌ای که کهنه نمی‌شود **تکرارپذیری** است: همین سؤال را سه بار در سه گفت‌وگوی جدا بفرست. اگر عددها فرق کردند، یعنی مدل حدس می‌زند و آن یک بارِ درست شانس بوده. اگر هر سه بار همان عددِ درست را گرفتی، نشانهٔ خوبی است؛ ولی یکی‌بودنِ عددها به‌تنهایی کافی نیست، چون یک عددِ غلط هم می‌تواند هر بار تکرار شود. درستی را خودت با حساب می‌سنجی. بعد بازهٔ سؤال را بزرگ‌تر و رقم را عوض کن (مثلاً رقمِ ۷ از ۱ تا ۲۰۰۰، که جوابش ۶۰۰ است: در هر کدام از جایگاه‌های یکان و دهگان و صدگان ۲۰۰ بار، و در جایگاهِ هزارگان هیچ‌بار) تا جایی که تکرارپذیری بشکند؛ **همان‌جا مرزِ فکرِ مدل است.**

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): `temperature`ِ پایین، طولِ کوتاه، قالبِ روشن.
- **خلاق** (ایده، اسم، داستان، طوفانِ فکری): `temperature`ِ 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: `temperature`ِ 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

</div>

| کلمه | تلفظ به حروف فارسی | یعنی چه |
|---|---|---|
| temperature | تِمپِرِچِر | اهرمی که تعیین می‌کند مدل چقدر به محتمل‌ترین انتخاب پایبند بماند: پایین = دقیق و باثبات، بالا = خلاق و متنوع |
| reasoning model | ریزنینگ‌مادِل | مدلی که قبل از جواب قدم‌به‌قدم روی مسئله کار می‌کند؛ کندتر ولی برای مسئله‌های سختِ چندمرحله‌ای بهتر |

<div dir="rtl">

## تمرین‌ها

**تمرین اجباری:** یک پرامپتِ خلاقانه (مثلِ اسمِ یک محصول) را یک بار با `temperature`ِ پایین و یک بار با بالا بفرست، هرکدام دو بار. در دو جمله بنویس: کدام تنظیم جواب‌های شبیه‌به‌هم داد و کدام هر بار چیزِ تازه‌ای؟

**تمرین ستاره‌دار ⭐:** یک مسئلهٔ چندمرحله‌ایِ کوتاه که **جوابش حفظ‌کردنی نباشد** بساز (مثلِ همان شمردنِ رقم‌ها، ولی با یک رقم و یک بازهٔ دیگر) و یک بار در حالتِ سریع و یک بار با `reasoning model` بپرس. آیا جواب‌ها فرق کردند؟ بعد جوابِ درست را خودت با شمردنِ جداجدای جایگاه‌ها به‌دست بیاور — یادت باشد که حتی حالتِ عمیق هم ممکن است اشتباه کند.

## 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.

</div>

---
Source: https://yaadestan.com/courses/hamhoosh/lessons/t2/s06-tune (یادستان, Yaadestan)
