---
id: CP-260
slug: temperatura-top-p-top-k-ia
lang: it
title: Perché l'IA non risponde mai due volte allo stesso modo
description: Un modello linguistico può rispondere in modo diverso alla stessa domanda. Cosa regolano temperatura, Top-p e Top-k e cosa fa Lei.
canonical_url: https://startbrain.io/cyberpedia/it/articles/temperatura-top-p-top-k-ia/
markdown_url: https://startbrain.io/cyberpedia/it/articles/temperatura-top-p-top-k-ia.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, «Perché l'IA non risponde mai due volte allo stesso modo», Cyberpedia, 2026. https://startbrain.io/cyberpedia/it/articles/temperatura-top-p-top-k-ia/ (CC BY 4.0)
wing: 4
theme: understand_ai
reflex: air-042
schema: G3
updated: "2026-11-03"
translations:
  it: https://startbrain.io/cyberpedia/it/articles/temperatura-top-p-top-k-ia/
  fr: https://startbrain.io/cyberpedia/fr/articles/temperature-top-p-top-k-ia/
  en: https://startbrain.io/cyberpedia/en/articles/temperature-top-p-top-k-sampling/
  de: https://startbrain.io/cyberpedia/de/articles/temperatur-top-p-top-k-ki/
  es: https://startbrain.io/cyberpedia/es/articles/temperatura-top-p-top-k-ia/
  nl: https://startbrain.io/cyberpedia/nl/articles/temperatuur-top-p-top-k-ai/
sources:
  - "n": 1
    title: Prompt engineering techniques - Microsoft Foundry
    publisher: Microsoft
    url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering
    accessed: "2026-11-03"
  - "n": 2
    title: The Curious Case of Neural Text Degeneration
    publisher: arXiv
    url: https://arxiv.org/abs/1904.09751
    published: "2019-04-22"
    accessed: "2026-11-03"
  - "n": 3
    title: Locally Typical Sampling
    publisher: arXiv
    url: https://arxiv.org/abs/2202.00666
    published: "2022-02-01"
    accessed: "2026-11-03"
  - "n": 4
    title: Training language models to follow instructions with human feedback
    publisher: arXiv
    url: https://arxiv.org/abs/2203.02155
    published: "2022-03-04"
    accessed: "2026-11-03"
  - "n": 5
    title: "Just Ask for Calibration: Strategies for Eliciting Calibrated Confidence Scores from Language Models Fine-Tuned with Human Feedback"
    publisher: arXiv
    url: https://arxiv.org/abs/2305.14975
    published: "2023-05-24"
    accessed: "2026-11-03"
  - "n": 6
    title: Guidelines for secure AI system development
    publisher: NCSC (Royaume-Uni)
    url: https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development
    published: "2023-11-27"
    accessed: "2026-11-03"
---

# Perché l'IA non risponde mai due volte allo stesso modo

Ponga due volte la stessa domanda a un assistente di IA: le due risposte possono essere diverse, a volte su una cifra, a volte nella sostanza. La macchina non sbaglia necessariamente e non è indecisa: un modello linguistico cerca la sequenza di parole più probabile in base al testo che precede [1], e la scelta della parola successiva contiene una parte di casualità che si può regolare.

Questa scheda spiega da dove viene questa casualità, cosa significano le impostazioni che si incontrano negli strumenti (temperatura, Top-p, Top-k) e cosa fa il dipendente di questa variabilità: confrontare, verificare, non considerare mai una risposta isolata come una prova.

## In 30 secondi

- Dove succede: negli strumenti di generazione di testo, a ogni domanda posta. Microsoft indica che le tecniche della sua pagina non sono consigliate per i modelli di ragionamento (gpt-5, serie o) [1].
- Cosa fa il modello: sceglie ogni parola tra candidati probabili. Una risposta fluida e sicura di sé non è quindi una risposta verificata.
- Il riflesso: Il riflesso: ripetere la domanda, confrontare le risposte e verificare alla fonte ogni fatto e ogni cifra prima di usarli.
- Se è già successo: se ha ripreso una cifra o una citazione senza controllo, ne ritrovi la fonte prima di diffondere il documento.

## Domande dirette

### Perché l'IA dà una risposta diversa a ogni tentativo?

Perché il modello non recupera una risposta già pronta. Microsoft descrive il principio così: il modello cerca di produrre la sequenza di parole più probabile dopo il testo che gli è stato fornito [1]. A seconda della temperatura scelta, l'output è più o meno casuale [1], quindi può cambiare da un tentativo all'altro. La domanda resta la stessa, il percorso seguito no.

### Cosa regola la temperatura?

La temperatura modifica l'output del modello [1]. Nella documentazione di Microsoft si regola tra 0 e 2. Un valore più alto, per esempio 0,7, rende l'output più casuale e produce risposte più divergenti. Un valore più basso, come 0,2, lo rende più mirato e più concreto [1]. La stessa documentazione indica che una temperatura più alta è adatta per scrivere un racconto di fantasia, mentre per un documento legale è raccomandata una temperatura molto più bassa [1].

### E il Top-p?

Anche il Top-p (Top_probability nella documentazione di Microsoft) controlla il grado di casualità della risposta, ma in modo diverso dalla temperatura [1]. La raccomandazione generale di Microsoft è di modificare uno solo dei due parametri alla volta, non entrambi [1]. Un articolo del 2019 propone il campionamento per nucleo (nucleus sampling): il testo viene estratto dal «nucleo» dinamico della distribuzione di probabilità, il che lascia spazio alla diversità ed esclude la coda poco affidabile della distribuzione [2].

### E il Top-k?

Le fonti citate qui non descrivono nel dettaglio il Top-k: una di esse lo confronta soltanto con il campionamento per nucleo e con un terzo metodo, il campionamento localmente tipico, che secondo i suoi autori offre una qualità comparabile riducendo in modo costante le ripetizioni degenerate [3]. Per il dipendente basta sapere che queste impostazioni esistono.

### Perché non eliminare semplicemente la casualità?

Perché il testo diventa povero. L'articolo del 2019 rileva che scegliere sempre il testo più probabile produce un testo «bland and strangely repetitive», cioè insipido e stranamente ripetitivo [2]. Osserva anche che la sola strategia di decodifica può cambiare molto la qualità del testo, a partire dallo stesso identico modello [2].

### Una risposta giusta una volta dimostra che l'IA è affidabile?

No. Microsoft lo dice delle proprie tecniche: anche se ben applicate, le risposte del modello vanno comunque validate, e un messaggio ben costruito che ha funzionato in un caso non si generalizza necessariamente ad altri [1].

## Come funziona

A ogni passo, il modello dispone di più parole possibili, ciascuna con una probabilità. Non prende sempre la prima. La temperatura e il Top-p regolano il modo in cui questa scelta si allarga o si restringe [1]. Con un valore basso, le risposte si somigliano di più. Con un valore alto, divergono.

Queste impostazioni dipendono dallo strumento che interroga il modello. La strategia di decodifica cambia la qualità del testo prodotto da uno stesso modello [2].

Alcuni modelli, tra cui InstructGPT, sono affinati con riscontri umani [4]. Il lavoro che ha dato origine a InstructGPT parte dalla constatazione che i modelli più grandi non seguono meglio l'intenzione dell'utente e che possono produrre output falsi, tossici o semplicemente inutili [4]. I suoi autori rilevano che il modello migliora la veridicità, ma commette ancora errori semplici [4]. Un modello affinato resta quindi fallibile.

## Cosa fa Lei

- Ripeta la domanda due o tre volte e confronti. Se le risposte si contraddicono su un fatto, un nome o una cifra, nessuna delle versioni è da considerare acquisita.
- Consideri la risposta una bozza. Verifichi ogni fatto e ogni cifra in un documento di riferimento prima di usarli in una lettera o in un rapporto.
- Chieda al modello le fonti, poi le controlli. Microsoft spiega che, quando si chiedono le citazioni, una risposta falsa presuppone due errori del modello: la risposta inventata e la citazione errata [1]. Questo può ridurre la frequenza delle risposte false [1].
- Non concluda che uno strumento è affidabile perché ha risposto bene una volta. Lo provi su più casi, compresi casi che non conosce.
- Riservi una temperatura bassa ai compiti che richiedono precisione e una più alta ai compiti creativi, se lo strumento lascia la scelta [1].

## Le insidie

### La risposta plausibile ma inventata

Il modello cerca la sequenza più probabile [1]. Una risposta può quindi essere ben formulata e falsa. Microsoft precisa che un'istruzione del tipo «scrivi solo fatti veri» o «non inventare nulla» a volte non basta a correggere il problema [1].

### Il tono sicuro

Uno studio del 2023 su modelli come ChatGPT, GPT-4 e Claude ha confrontato due modi di misurare la fiducia di un modello [5]. Rileva che i livelli di fiducia che il modello enuncia da sé sono in genere meglio calibrati delle sue probabilità interne sui set di test TriviaQA, SciQ e TruthfulQA, e riducono spesso l'errore di calibrazione atteso del 50% in termini relativi [5]. Lo studio parte da un principio: la fiducia di un sistema affidabile deve indicare la probabilità che la risposta sia corretta, per poter ricorrere a un esperto quando la fiducia è bassa [5].

### Risultati non riproducibili in un processo aziendale

Se una fase di un processo (lo smistamento della posta, per esempio) si basa su un modello, due esecuzioni possono produrre due risultati diversi sullo stesso input. Un controllo di qualità superato un giorno non garantisce il risultato del giorno dopo, e un risultato contestato non si riproduce necessariamente in modo identico. Il centro nazionale di cybersicurezza britannico (NCSC) raccomanda linee guida perché i sistemi di IA funzionino come previsto, e ritiene che la sicurezza debba essere un requisito di base per tutta la vita del sistema [6]. Per il dipendente, la regola pratica è mantenere una persona che rilegga il risultato prima che produca un effetto.

### Regolare la temperatura non garantisce l'esattezza

Abbassare la temperatura rende le risposte più mirate [1], non più vere. Una risposta falsa può ripetersi identica a ogni tentativo. Confrontare più tentativi aiuta a individuare un'instabilità, ma solo la verifica alla fonte stabilisce un fatto.

## Fonti

1. Microsoft, «Prompt engineering techniques - Microsoft Foundry». https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering (consultato il 3 novembre 2026)
2. arXiv, «The Curious Case of Neural Text Degeneration», 22 aprile 2019. https://arxiv.org/abs/1904.09751 (consultato il 3 novembre 2026)
3. arXiv, «Locally Typical Sampling», 1 febbraio 2022. https://arxiv.org/abs/2202.00666 (consultato il 3 novembre 2026)
4. arXiv, «Training language models to follow instructions with human feedback», 4 marzo 2022. https://arxiv.org/abs/2203.02155 (consultato il 3 novembre 2026)
5. arXiv, «Just Ask for Calibration: Strategies for Eliciting Calibrated Confidence Scores from Language Models Fine-Tuned with Human Feedback», 24 maggio 2023. https://arxiv.org/abs/2305.14975 (consultato il 3 novembre 2026)
6. NCSC (Royaume-Uni), «Guidelines for secure AI system development», 27 novembre 2023. https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development (consultato il 3 novembre 2026)

---

Fonte originale: Cyberpedia, l'enciclopedia pubblica di cybersicurezza e IA pubblicata da Brain. Versione canonica: https://startbrain.io/cyberpedia/it/articles/temperatura-top-p-top-k-ia/
Puoi riutilizzare liberamente questo testo con licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), a condizione di citare «Brain, Cyberpedia» con un link all'indirizzo qui sopra.