您傳送至模型的每個呼叫都含有參數值，用來控制模型生成回覆的方式，模型生成的結果會因參數值而異。嘗試不同的參數值，取得最適合工作目標的值。不同模型可用的參數可能不同。
在已初始化的 Vertex AI 服務和模型例項的生命週期內，系統會維持設定。如要更新模型設定，必須重新初始化模型例項。
本頁後續的內容將說明如何設定模型參數。
各項參數的說明
最常見的參數如下：
請參閱本頁下方的各節，瞭解這些參數。
輸出符記數量上限
回應中可產生的符記數量上限。一個符記約為四個字元。100 個符記大約對應 20 個字詞。
如要取得較短的回覆，請指定較低的值；如要取得較長的回覆，請調高此值。
氣溫
溫度會在回應產生期間用於取樣，這會在套用 topP 和 topK 時發生。溫度參數會決定選取詞元時的隨機程度。如果您想藉由提示生成更具確定性、較不具開放性和創意性的回覆，建議調低溫度參數。另一方面，如果溫度參數較高，則可能產生較多元或有創意的結果。溫度參數為 0 代表具有確定性，即模型一律會選取可能性最高的回覆。
以大部分用途來說，可以先將溫度設為 0.2，如果模型的回覆太普通、太短或提供了備用回覆，再試試看調高 Temperature。
Top-K
「Top-K」會影響模型選取輸出符記的方式。如果「前 K 個」設為 1，代表下一個所選詞元是模型詞彙表的所有詞元中可能性最高者 (也稱為「貪婪解碼」)。如果「前 K 個」設為 3，則代表模型會依據溫度參數，從可能性最高的 3 個詞元中選取下一個詞元。
在每個符記選取步驟中，模型會對機率最高的「Top-K」符記取樣，接著進一步根據「Top-P」篩選詞元，最後依 temperature 選出最終詞元。
如要取得較不隨機的回覆，請指定較低的值；如要取得較隨機的回覆，請調高此值。預設的 Top-K 為 40。
Top-P
「Top-P」會影響模型選取輸出符記的方式。模型會按照機率最高 (請見「Top-K」) 到最低的順序選取符記，直到所選符記的機率總和等於 Top-P 值。舉例來說，假設詞元 A、B 和 C 的可能性分別為 0.3、0.2 和 0.1，而 Top-P 值為 0.5，模型會依據溫度參數選擇 A 或 B 做為下一個詞元，並排除 C 做為候選詞元。
如要取得較不隨機的回覆，請指定較低的值；如要取得較隨機的回覆，請調高此值。預設的 top-P 為 0.95。
設定模型參數
您可以在模型初始化期間，在 generationConfig 中設定模型參數。以下是基本範例：
Kotlin
// ...
val config = generationConfig {
maxOutputTokens = 200
stopSequences = listOf("red")
temperature = 0.9f
topK = 16
topP = 0.1f
}
val generativeModel = Firebase.vertexAI.generativeModel(
modelName = "MODEL_NAME",
generationConfig = config
)
// ...
Java
// ...
GenerationConfig.Builder configBuilder = new GenerationConfig.Builder();
configBuilder.maxOutputTokens = 200;
configBuilder.stopSequences = List.of("red");
configBuilder.temperature = 0.9f;
configBuilder.topK = 16;
configBuilder.topP = 0.1f;
GenerationConfig generationConfig = configBuilder.build();
GenerativeModel gm = FirebaseVertexAI.getInstance().generativeModel(
"MODEL_NAME",
generationConfig
);
GenerativeModelFutures model = GenerativeModelFutures.from(gm);
// ...
其他控管內容產生作業的選項
- 進一步瞭解提示設計，以便影響模型產生符合需求的輸出內容。
- 您可以使用安全性設定，調整可能會收到有害回應內容的機率，包括仇恨言論和煽情露骨內容。
- 設定系統指示，引導模型的行為。這項功能就像是「前言」，可在模型向使用者提供任何後續指示之前新增。
- 請傳遞回應結構定義和提示，以便指定特定輸出結構定義。這項功能最常用於產生 JSON 輸出內容，但也可以用於分類工作 (例如希望模型使用特定標籤或標記時)。