AIF-C01#54(fundamentals-generative-ai)
AIプラクティショナーが、大規模言語モデル（LLM）からより多様で、よりクリエイティブな出力を生成したいと考えています。 AIプラクティショナーは推論パラメーターをどのように調整すべきですか？
正解：A
正解の根拠
Temperature を上げると次トークン確率分布のソフトマックス温度が高くなり、低確率トークンも選ばれやすくなって出力の多様性・創造性が増します。Bedrock の InvokeModel で Temperature を 0.7〜1.0 程度へ上げることで、創作タスクでよりクリエイティブな表現が得られます。
多様性制御パラメータ
| パラメータ | 多様性への効果 |
|---|---|
| Temperature ↑ | 多様性・創造性増加 |
| Top-K ↑ | 候補トークン拡大で多様性増 |
| Top-P ↑ | 累積確率の閾値拡大で多様性増 |
| レスポンス長 | 長さ制御 (多様性とは別) |
不正解の理由
- B: Top-K を下げると候補トークンが絞り込まれ多様性は減少するため、要件と逆方向の調整です。
- C: レスポンス長は出力長制御で、内容の多様性・創造性そのものを高めるパラメータではありません。
- D: プロンプト長を減らすと文脈情報が減り、回答精度を損なうことはあっても多様性向上には直結しません。
コメント