---
id: CP-260
slug: temperatura-top-p-top-k-ia
lang: pt
title: Porque é que a IA nunca responde duas vezes da mesma maneira
description: Um modelo de linguagem pode responder de forma diferente à mesma pergunta. O que regulam a temperatura, o Top-p e o Top-k, e o que deve fazer.
canonical_url: https://startbrain.io/cyberpedia/pt/articles/temperatura-top-p-top-k-ia/
markdown_url: https://startbrain.io/cyberpedia/pt/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, «Porque é que a IA nunca responde duas vezes da mesma maneira», Cyberpedia, 2026. https://startbrain.io/cyberpedia/pt/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:
  pt: https://startbrain.io/cyberpedia/pt/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/
  it: https://startbrain.io/cyberpedia/it/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"
---

# Porque é que a IA nunca responde duas vezes da mesma maneira

Faça duas vezes a mesma pergunta a um assistente de IA: as duas respostas podem diferir, umas vezes num número, outras vezes no essencial. A máquina não se engana necessariamente nem hesita: um modelo de linguagem procura a sequência de palavras mais provável a partir do texto que precede [1], e a escolha da palavra seguinte comporta uma parte de acaso que se pode regular.

Esta ficha explica de onde vem esse acaso, o que significam as definições que encontra nas ferramentas (temperatura, Top-p, Top-k) e o que o colaborador faz com esta variabilidade: comparar, verificar e nunca tomar uma resposta isolada como prova.

## Em 30 segundos

- Onde acontece: nas ferramentas de geração de texto, a cada pergunta feita. A Microsoft indica que as técnicas da sua página não são recomendadas para os modelos de raciocínio (gpt-5, série o) [1].
- O que faz o modelo: escolhe cada palavra entre candidatas prováveis. Uma resposta fluida e segura não é, por isso, uma resposta verificada.
- O reflexo: O reflexo: repetir a pergunta, comparar as respostas e verificar na fonte cada facto e cada número antes de os utilizar.
- Se já o fez: se reutilizou um número ou uma citação sem os verificar, encontre a respetiva fonte antes de divulgar o documento.

## Perguntas diretas

### Porque é que a IA dá uma resposta diferente a cada tentativa?

Porque o modelo não vai buscar uma resposta já pronta. A Microsoft descreve o princípio assim: o modelo tenta produzir a sequência de palavras mais provável a seguir ao texto que lhe foi dado [1]. Consoante a temperatura escolhida, o resultado é mais ou menos aleatório [1], pelo que pode mudar de uma tentativa para a outra. A pergunta é a mesma, mas o caminho seguido não é.

### O que regula a temperatura?

A temperatura modifica o resultado do modelo [1]. Na documentação da Microsoft, regula-se entre 0 e 2. Um valor mais alto, por exemplo 0,7, torna o resultado mais aleatório e produz respostas mais divergentes. Um valor mais baixo, como 0,2, torna-o mais focado e mais concreto [1]. A mesma documentação indica que uma temperatura mais elevada é adequada para escrever uma história de ficção e que uma temperatura muito mais baixa é recomendada para um documento jurídico [1].

### E o Top-p?

O Top-p (Top_probability na documentação da Microsoft) também controla o carácter aleatório da resposta, mas de forma diferente da temperatura [1]. A recomendação geral da Microsoft é alterar um dos dois parâmetros de cada vez, e não ambos [1]. Um artigo de 2019 propõe a amostragem por núcleo (nucleus sampling): o texto é retirado do «núcleo» dinâmico da distribuição de probabilidades, o que deixa espaço para a diversidade e afasta a cauda pouco fiável da distribuição [2].

### E o Top-k?

As fontes aqui citadas não detalham o Top-k: uma delas limita-se a compará-lo com a amostragem por núcleo e com um terceiro método, a amostragem localmente típica, que, segundo os seus autores, oferece uma qualidade comparável e reduz de forma constante as repetições degeneradas [3]. Para o colaborador, basta saber que estas definições existem.

### Porque não eliminar simplesmente o acaso?

Porque o texto fica pobre. O artigo de 2019 constata que escolher sempre o texto mais provável produz um texto «bland and strangely repetitive», ou seja, insípido e estranhamente repetitivo [2]. Nota também que a estratégia de descodificação, por si só, pode mudar bastante a qualidade do texto, a partir exatamente do mesmo modelo [2].

### Uma resposta certa uma vez prova que a IA é fiável?

Não. A Microsoft di-lo a propósito das suas próprias técnicas: mesmo bem aplicadas, é preciso continuar a validar as respostas do modelo, e uma mensagem bem construída que funcionou num caso não se generaliza necessariamente a outros [1].

## Como funciona

Em cada etapa, o modelo dispõe de várias palavras possíveis, cada uma com uma probabilidade. Nem sempre escolhe a primeira. A temperatura e o Top-p regulam a forma como essa escolha se alarga ou se restringe [1]. Com um valor baixo, as respostas parecem-se mais. Com um valor alto, divergem.

Estas definições dependem da ferramenta que interroga o modelo. A estratégia de descodificação altera a qualidade do texto produzido por um mesmo modelo [2].

Alguns modelos, entre os quais o InstructGPT, são ajustados com feedback humano [4]. O trabalho que deu origem ao InstructGPT parte da constatação de que modelos maiores não seguem melhor a intenção do utilizador e podem produzir resultados falsos, tóxicos ou simplesmente inúteis [4]. Os seus autores observam que o modelo melhora a veracidade, mas ainda comete erros simples [4]. Um modelo ajustado continua, portanto, a ser falível.

## O que deve fazer

- Repita a pergunta duas ou três vezes e compare. Se as respostas se contradisserem sobre um facto, um nome ou um número, nenhuma das versões está assegurada.
- Considere a resposta um rascunho. Verifique cada facto e cada número num documento de referência antes de os usar numa carta ou num relatório.
- Peça as fontes ao modelo e depois controle-as. A Microsoft explica que, quando se pedem citações, uma resposta falsa pressupõe dois erros do modelo: a resposta inventada e a citação errada [1]. Isso pode reduzir a frequência das respostas falsas [1].
- Não conclua que uma ferramenta é fiável porque respondeu bem uma vez. Teste-a em vários casos, incluindo casos que ela não conhece.
- Reserve uma temperatura baixa para as tarefas que exigem precisão e uma mais alta para as tarefas criativas, se a ferramenta lhe deixar essa escolha [1].

## As armadilhas

### A resposta plausível mas inventada

O modelo procura a sequência mais provável [1]. Uma resposta pode, por isso, estar bem formulada e ser falsa. A Microsoft precisa que uma instrução do tipo «escreve apenas factos verdadeiros» ou «não inventes nada» por vezes não basta para corrigir o problema [1].

### O tom seguro

Um estudo de 2023 sobre modelos como o ChatGPT, o GPT-4 e o Claude comparou duas formas de medir a confiança de um modelo [5]. Constata que os níveis de confiança que o próprio modelo enuncia são, em geral, mais bem calibrados do que as suas probabilidades internas nos conjuntos de teste TriviaQA, SciQ e TruthfulQA, e reduzem muitas vezes o erro de calibração esperado em 50 % em termos relativos [5]. O estudo parte de um princípio: a confiança de um sistema fiável deve indicar a probabilidade de a resposta estar correta, para permitir recorrer a um especialista quando a confiança é baixa [5].

### Resultados não reprodutíveis num processo de negócio

Se uma etapa de um processo (a triagem de correspondência, por exemplo) assenta num modelo, duas execuções podem produzir dois resultados diferentes com a mesma entrada. Um controlo de qualidade aprovado num dia não garante o resultado do dia seguinte, e um resultado contestado não se reproduz necessariamente de forma idêntica. O centro nacional de cibersegurança britânico (NCSC) recomenda diretrizes para que os sistemas de IA funcionem como previsto e considera que a segurança deve ser um requisito de base durante toda a vida do sistema [6]. Para o colaborador, a regra prática é manter uma pessoa que reveja o resultado antes de este produzir efeito.

### Regular a temperatura não garante a exatidão

Baixar a temperatura torna as respostas mais focadas [1], não mais verdadeiras. Uma resposta falsa pode repetir-se de forma idêntica a cada tentativa. Comparar várias tentativas ajuda a detetar uma instabilidade, mas só a verificação na fonte estabelece um facto.

## Fontes

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

---

Fonte original: Cyberpedia, a enciclopédia pública de cibersegurança e IA publicada pela Brain. Versão canónica: https://startbrain.io/cyberpedia/pt/articles/temperatura-top-p-top-k-ia/
Pode reutilizar livremente este texto sob a licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), desde que cite «Brain, Cyberpedia» com uma ligação para o endereço acima.