LLM Parametri: GPT-5 High, Medio, Basso e Minimo

Nuovi LLM, come la famiglia GPT-5 di OpenAI, sono disponibili in diverse versioni (ad es., GPT-5, GPT-5-mini e GPT-5-nano) e con varie impostazioni dei parametri, tra cui alto, medio, basso e minimo.

Di seguito, esploriamo le differenze tra queste versioni di modelli raccogliendo le loro prestazioni nei benchmark e i costi per eseguire i benchmark.

Prezzo vs. successo: Punti chiave

Abbiamo utilizzato la famiglia GPT-5 nella nostra analisi. Abbiamo utilizzato sei benchmark in diverse aree, tra cui ragionamento, programmazione, capacità di seguire istruzioni e matematica.

La nostra analisi ha rivelato:

• In media tra i benchmark, GPT-5 (high) e GPT-5 (medium) offrono tassi di successo quasi identici (65% contro 64%), eppure GPT-5 (high) costa quasi il doppio ($511 contro $280). Seguono GPT-5-mini (high), GPT-5 (low) e GPT-5-mini (medium), con tassi di successo rispettivamente del 62%, 61% e 60%, a prezzi molto inferiori di $105, $90 e $28. Ciò dimostra che accettando un calo di solo circa il 5% nel tasso di successo, le attività possono essere completate a un costo fino a 18 volte inferiore passando da GPT-5 (high) a GPT-5-mini (medium).
• GPT-5-mini (high) supera GPT-5 (low) in quasi tutti i benchmark, e lo fa allo stesso costo o a un costo inferiore. In IFBench, i tassi di successo sono 75% contro 67%; in AIME 2025, 97% contro 83%; in Humanity's Last Exam, 20% contro 18%; e in GPQA Diamond, 83% contro 81%. Pareggiano su SciCode al 39%, eppure GPT-5-mini (high) ha comunque un costo inferiore.
• Il modello più costoso, GPT-5 (high), supera il secondo miglior modello solo in tre benchmark, e anche in quel caso, il margine non supera il 3%. In tutti gli altri benchmark, viene superato da alternative più economiche.

Impostazioni dei parametri alto-medio-basso-minimo

Sebbene i parametri LLM siano spesso descritti in termini di regolazioni numeriche, possono anche essere espressi come intervalli qualitativi come alto, medio e basso. Questi intervalli non sono standard fissi; sono invece categorie concettuali che descrivono quanta influenza esercita un parametro sull'output del modello.

L'uso di questi tre livelli aiuta a selezionare rapidamente le impostazioni per diverse attività, a seconda del livello desiderato di creatività, determinismo o lunghezza. Questi livelli sono utili quando si regolano i parametri top-P, max tokens e di penalità.

Il parametro medio si riferisce alla versione regolare (non parametrizzata) del modello.

Impostazione minima:

• Top-p / Top-k: Molto basso (top-p ≈ 0,1–0,2, top-k = 1–5)
• Max tokens: Limite breve
• Penalità: Molto basse o assenti
• Effetti:
  • Altamente deterministico, output quasi identici ogni volta.
  • Molto conciso, fattuale e rigido.
  • Ideale per codice, matematica, query di database o risposte di conformità rigorosa.
  • Molto vincolato, con bassa casualità, favorisce prevedibilità e precisione.

Impostazione bassa:

• Top-p / Top-k: Basso (top-p ≈ 0,3–0,5, top-k = 5–10)
• Max tokens: Da breve a medio
• Penalità: Da basse a moderate
• Effetti:
  • Per lo più deterministico ma consente variazioni minori.
  • Riduce la ripetizione robotica rispetto al minimo.
  • Adatto per riassunti, spiegazioni strutturate o scrittura professionale con uno stile coerente.

Impostazione media:

• Top-p / Top-k: Moderato (top-p ≈ 0,7–0,9, top-k = 20–50)
• Max tokens: Lunghezza media
• Penalità: Moderate, per evitare ripetizioni ma consentire una certa creatività
• Effetti:
  • Bilanciato tra accuratezza e creatività.
  • Produce risposte naturali che variano leggermente tra un'esecuzione e l'altra.
  • Adatto per domande e risposte generali, redazione e brainstorming.

Impostazione alta:

• Top-p / Top-k: Alto (top-p ≈ 0,95–1,0, top-k = 50–100)
• Max tokens: Limite ampio per output più lunghi
• Penalità: Da medie ad alte, per incoraggiare varietà e novità
• Effetti:
  • Output altamente creativi e diversificati.
  • Meno prevedibile, con un rischio maggiore di allucinazioni.
  • Ideale per narrazione, ideazione, giochi di ruolo e scrittura creativa.

Per decidere quale livello utilizzare, considera:

• Tipo di attività/scopo: Se hai bisogno di accuratezza (legale, medico, codice, fattuale), scegli minimo o medio. Se hai bisogno di creatività, voce, novità, alto potrebbe essere migliore.
• Tolleranza agli errori: Quanto sono gravi stranezze o errori occasionali? Se bassa, evita l'alta casualità.
• Vincoli computazionali: Lunghezze di output elevate e alta casualità spesso richiedono più calcolo e memoria.
• Dimensione del modello: I modelli più grandi tendono a gestire meglio l'alta casualità, mentre i modelli più piccoli possono degradarsi significativamente con impostazioni alte.
• Lunghezza di output desiderata: Un testo generato più lungo può divagare, quindi alta casualità più una lunghezza elevata è più rischioso.

GPT-5

GPT-5 bilancia una maggiore capacità di ragionamento con una velocità media, rendendolo adatto per attività complesse a più passaggi dove accuratezza e adattabilità sono cruciali.

• Finestra di contesto: 400.000
• Max token di output: 128.000
• Data limite della conoscenza: 30 settembre 2024
• Ragionamento: Superiore, con supporto per token di ragionamento

Prezzi (per 1M token)

• Input: $1,25
• Input in cache: $0,125
• Output: $10,00

Modalità

• Testo: input e output
• Immagine: solo input
• Audio: non supportato

GPT-5 mini

GPT-5 mini è una versione più piccola, più veloce e più economica di GPT-5. Mantiene una forte capacità di ragionamento pur essendo più adatto per attività ben definite.

• Finestra di contesto: 400.000
• Max token di output: 128.000
• Data limite della conoscenza: 31 maggio 2024
• Funzionalità: Supporta ricerca web, ricerca file e interprete di codice.

Prezzi per 1M token:

• Input: $0,25
• Input in cache: $0,025
• Output: $2,00

GPT-5 nano

GPT-5 nano è l'opzione più veloce ed economica, progettata per attività leggere come classificazione e riassunto.

• Finestra di contesto: 400.000
• Max token di output: 128.000
• Data limite della conoscenza: 31 maggio 2024
• Funzionalità: Supporta ricerca file, generazione di immagini e interprete di codice (ma non ricerca web).

Prezzi per 1M token:

• Input: $0,05
• Input in cache: $0,005
• Output: $0,40

Funzionalità della serie GPT-5

La serie GPT-5 introduce diverse capacità che migliorano controllo, formattazione ed efficienza. Queste funzionalità si applicano a GPT-5, GPT-5 Mini e GPT-5 Nano.

Parametro di verbosità

Il parametro di verbosità consente agli sviluppatori di influenzare il livello di dettaglio negli output del modello senza modificare il prompt.
Accetta tre valori:

• Basso: risultati brevi e concisi
• Medio: risultati bilanciati (predefinito)
• Alto: output dettagliati adatti per spiegazioni, documentazione o revisione

Una maggiore verbosità porta a risposte più lunghe e a un maggiore utilizzo di token di output.

Chiamata di funzione in forma libera

La serie GPT-5 supporta chiamate di strumenti personalizzate che accettano output di testo grezzo invece di JSON strutturato. Ciò rende possibile generare codice, query SQL o testo di configurazione che viene passato direttamente a runtime esterni come:

• Sandbox di codice
• Motori SQL
• Ambienti shell
• Sistemi di configurazione

Il tipo di strumento personalizzato non supporta chiamate di strumenti parallele. È destinato a situazioni in cui il testo naturale è preferibile a uno schema JSON rigido.

Supporto per grammatica context-free (CFG)

I modelli possono produrre testo vincolato da una grammatica definita con sintassi Lark o regex. Ciò garantisce che il testo generato segua regole strutturali rigide. I casi d'uso comuni includono:

• Imporre dialetti SQL specifici
• Limitare timestamp o identificatori
• Convalidare formati di configurazione

Quando si utilizzano CFG, gli sviluppatori definiscono terminali e regole che descrivono l'insieme di stringhe accettabili. Il modello produce solo output che corrispondono a queste regole.

Modalità di ragionamento minimo

La modalità di ragionamento minimo riduce o elimina i token di ragionamento. Ciò riduce la latenza e migliora il tempo al primo token.
È adatta per attività come:

• Classificazione
• Riscritture brevi
• Estrazione strutturata
• Operazioni di formattazione di base

Quando non viene fornita alcuna impostazione di ragionamento, il livello di sforzo predefinito è medio.

Differenze chiave

I tre modelli differiscono principalmente per profondità di ragionamento, velocità e costo. Le nuove funzionalità possono essere utilizzate su tutti i modelli, ma il loro impatto varia in base al modello.

Ragionamento

• GPT-5 offre la capacità di ragionamento più potente. È appropriato per problemi complessi a più passaggi nella programmazione, nell'analisi scientifica o nel supporto decisionale.
• GPT-5 mini offre un forte ragionamento per prompt strutturati con confini di attività prevedibili.
• GPT-5 nano ha prestazioni di ragionamento moderate e funziona meglio su attività che non richiedono un'analisi approfondita.
• La modalità di ragionamento minimo può essere utilizzata con tutti i modelli e offre il beneficio più significativo per GPT-5 nano e GPT-5 mini, dato il loro vantaggio in velocità.

Velocità

• GPT-5 nano è l'opzione più veloce ed è efficace per carichi di lavoro in tempo reale o su larga scala.
• GPT-5 mini bilancia velocità e ragionamento, rendendolo adatto per carichi di lavoro di produzione regolari.
• GPT-5 è più lento perché esegue più ragionamento interno, ma questo produce output più precisi.
• La modalità di ragionamento minimo può ridurre ulteriormente la latenza, in particolare per nano.

Costo

• GPT-5 nano ha il costo per token più basso. È preferito per attività ad alto volume come la classificazione batch o il riassunto.
• GPT-5 mini si colloca nella fascia media, offrendo un equilibrio tra capacità e costo.
• GPT-5 è il modello più costoso ed è tipicamente utilizzato quando accuratezza e coerenza hanno la priorità.
• Le impostazioni di verbosità influenzano il costo perché una maggiore verbosità produce più token di output.

Cosa sono i parametri LLM?

I parametri LLM sono impostazioni che influenzano il modo in cui i grandi modelli linguistici (LLM) generano testo durante l'inferenza. Questi controlli dei parametri non modificano i pesi appresi di un modello pre-addestrato. Invece, plasmano il modo in cui il modello linguistico campiona da una distribuzione di probabilità sui token probabili durante la generazione delle risposte.

I grandi modelli linguistici sono sistemi di reti neurali, tipicamente costruiti sull'architettura del modello transformer. Durante l'addestramento, il modello apprende valori numerici chiamati pesi e bias. I pesi rappresentano l'importanza assegnata a diversi input, consentendo al modello di catturare relazioni tra parole, concetti e contesto. I bias sono valori costanti aggiunti all'interno dei livelli che aiutano ad attivare i neuroni in determinate condizioni. Insieme, questi valori definiscono la capacità del modello di riconoscere schemi complessi nel linguaggio.

I parametri di inferenza, al contrario, operano dopo l'addestramento. Plasmano il modo in cui la conoscenza appresa dal modello viene utilizzata, senza modificare i pesi sottostanti. La regolazione dei parametri LLM consente agli utenti di influenzare la diversità dell'output, la prevedibilità, la ripetizione e la lunghezza dell'output, il che è essenziale per ottimizzare le prestazioni del modello in attività specifiche come la scrittura creativa, la generazione strutturata o le spiegazioni tecniche.

I parametri chiave includono il campionamento top-p nucleus, max tokens, penalità di frequenza, penalità di presenza e sequenze di arresto. Insieme, questi parametri di campionamento controllano l'output generato bilanciando qualità dell'output, costo computazionale ed efficienza dell'inferenza.

Non perderti i nostri benchmark e approfondimenti basati sui dati. Il pulsante apre Google; selezionare AIMultiple conferma che desideri vedere AIMultiple più spesso nei risultati di ricerca di Google.

Aggiungi come fonte preferita

Dimensione del modello, parametri e fondamenti dell'addestramento

Il numero di parametri nei grandi modelli linguistici può raggiungere miliardi. I modelli più grandi hanno tipicamente una maggiore capacità di gestire linguaggio sfumato, dipendenze a lungo raggio e ragionamento complesso. Queste migliori prestazioni del modello hanno il costo di requisiti di potenza computazionale più elevati sia durante l'addestramento che durante l'inferenza.

I modelli più piccoli richiedono meno risorse computazionali e offrono una migliore efficienza computazionale, ma possono avere difficoltà con schemi più complessi o finestre di contesto più lunghe. La scelta tra modelli più grandi e più piccoli dipende dall'attività, dalla latenza accettabile e dall'infrastruttura disponibile. Consulta le leggi di scaling degli LLM per comprendere come i ricercatori di IA valutano l'effetto della dimensione del modello, della qualità dei dati e della strategia di addestramento.

Diversi parametri di addestramento plasmano il modo in cui un modello apprende prima dell'inferenza:

• Dimensione del batch si riferisce al numero di campioni di addestramento elaborati prima che il modello aggiorni i suoi pesi. Batch più grandi migliorano l'efficienza dell'addestramento ma aumentano l'uso della memoria.
• Tasso di apprendimento controlla quanto rapidamente il modello regola i suoi pesi e bias. Valori più alti accelerano l'apprendimento ma rischiano instabilità, mentre valori più bassi promuovono una convergenza costante.
• Iperparametri definiscono impostazioni esterne come dimensione del modello, dimensione del batch e tasso di apprendimento, plasmando il processo di addestramento complessivo.

Dopo il pre-addestramento, il fine-tuning e l'allineamento sono essenziali. Il fine-tuning adatta un modello pre-addestrato a dati o attività specifici del dominio, mentre l'allineamento garantisce che il testo generato rifletta l'intento umano.

Il fine-tuning parametricamente efficiente (PEFT) migliora l'efficienza computazionale congelando la maggior parte dei parametri e aggiornando solo un piccolo sottoinsieme di parametri rilevanti per l'attività.

Campionamento top-p

Il campionamento top-p, noto anche come nucleus sampling, limita la selezione dei token al gruppo più piccolo la cui probabilità cumulativa supera una soglia p data. Invece di selezionare da un numero fisso di token, il modello sceglie dinamicamente tra i token probabili che insieme rappresentano la massa di probabilità specificata.

• Valori più bassi (ad esempio, p = 0,5) limitano il campionamento a un insieme ristretto di token a più alta probabilità, producendo testo coerente ma meno vario.
• Valori più alti (ad esempio, p = 0,9) consentono il campionamento da un insieme più ampio, aumentando la diversità dell'output ma anche il rischio di andare fuori tema.

Campionamento top k

Il campionamento top k limita la scelta del modello ai k token a più alta probabilità per il passo successivo nella generazione del testo. Restringendo l'insieme dei candidati, questo parametro influisce direttamente su prevedibilità e varietà.

• Valori top-k più bassi limitano la selezione a un piccolo insieme di token altamente probabili, producendo output più prevedibili e mirati.
• Valori più alti ampliano il pool di candidati, aumentando la variabilità e supportando un linguaggio più diversificato.

Mentre il campionamento top-p si adatta dinamicamente in base alla massa di probabilità, il campionamento top-k utilizza un limite fisso. I due vengono spesso confrontati durante la valutazione del modello per determinare le impostazioni ottimali per attività specifiche.

Max tokens (Il numero di token)

Il parametro max_tokens definisce il numero massimo di token che il modello può generare in una singola risposta. Determina direttamente la lunghezza dell'output e influenza il costo computazionale.

• Valori massimi più bassi impongono risposte concise ma possono troncare dettagli importanti.
• Valori più alti consentono spiegazioni più dettagliate ma richiedono più risorse computazionali e aumentano il tempo di inferenza.

Il numero massimo di token è vincolato dalla finestra di contesto, che include sia i dati di input che l'output generato. Se il numero combinato di token supera il limite di token del modello, la generazione si interromperà indipendentemente dall'impostazione max tokens.

Parametro di penalità di frequenza

La penalità di frequenza regola la probabilità dei token in base alla frequenza con cui sono già apparsi nel testo generato.

• Valori positivi riducono la ripetizione, migliorando la qualità dell'output in risposte più lunghe.
• Valori negativi incoraggiano il riutilizzo, che può essere utile per documenti che richiedono una terminologia coerente.

Penalità eccessivamente alte possono danneggiare la coerenza, poiché la ripetizione naturale è spesso necessaria per un testo simile a quello umano. Questo parametro è più efficace quando si ottimizzano le prestazioni del modello per la generazione di testi di lunga durata.

Penalità di presenza

La penalità di presenza riduce la probabilità dei token che sono apparsi almeno una volta, indipendentemente dalla frequenza. Ciò incoraggia il modello a introdurre nuove idee.

• Valori positivi promuovono novità ed esplorazione, utili nel brainstorming e nella scrittura creativa.
• Valori negativi rafforzano i termini esistenti, il che può aiutare in output strutturati o vincolati.

La penalità di presenza è un controllo prezioso per guidare la diversità delle idee, ma dovrebbe essere applicata con attenzione per evitare un'evitamento innaturale dei termini chiave.

Sequenze di arresto

Le sequenze di arresto definiscono token o stringhe specifici che segnalano al modello di interrompere la generazione. Sono comunemente utilizzate in applicazioni strutturate.

• Utili per imporre modelli nei sistemi di dialogo o nella generazione di codice.
• Aiutano a controllare la lunghezza dell'output e a prevenire continuazioni irrilevanti.

Le sequenze di arresto migliorano la prevedibilità negli output di testo generati senza fare affidamento esclusivamente sui limiti di token.

Seed e determinismo

Alcuni sistemi consentono agli utenti di specificare un seed casuale, garantendo che gli stessi dati di input e le stesse impostazioni dei parametri producano lo stesso output generato.

• Utile per la valutazione e il test del modello.
• Aiuta a confrontare diverse configurazioni di parametri senza che la variazione casuale influenzi i risultati.

La generazione deterministica supporta la riproducibilità, sebbene gli output esatti possano variare tra diversi modelli di IA o ambienti di distribuzione.

Differenze tra i parametri chiave

Comprendere come differiscono i parametri chiave aiuta quando si regolano i parametri LLM per risultati ottimali.

• Penalità di frequenza vs penalità di presenza: La penalità di frequenza scala con la frequenza di apparizione di un token, mentre la penalità di presenza si applica una volta dopo la prima apparizione di un token.
• Campionamento top k vs top p: Top k limita la selezione a un numero fisso di token, mentre top p seleziona dinamicamente i token in base alla probabilità cumulativa.
• Max tokens vs finestra di contesto: Max tokens limita la lunghezza dell'output, mentre la finestra di contesto è un limite superiore fisso che copre sia i token di input che quelli di output.

Un'attenta regolazione di questi parametri consente ai professionisti di bilanciare qualità dell'output, efficienza computazionale e prestazioni LLM in applicazioni come la generazione aumentata da recupero, attività analitiche e generazione di testo aperta.

Cita questa ricerca

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{ermut2026,
  author = {Ermut, Sıla and Alper, Şevval},
  title  = {{LLM Parametri: GPT-5 High, Medio, Basso e Minimo}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/llm-parameters}},
  note   = {AIMultiple. Consultato il 26 Giugno 2026}
}

Sıla Ermut

Analista di settore

Segui

Sıla Ermut è un'analista di settore presso AIMultiple, specializzata in email marketing e video di vendita. In precedenza, ha lavorato come reclutatrice in società di project management e consulenza. Sıla ha conseguito un Master in Psicologia Sociale e una laurea in Relazioni Internazionali.

Visualizza il profilo completo

Ricercato da

Şevval Alper

Ricercatore di intelligenza artificiale

Segui

Şevval è un analista di settore di AIMultiple specializzato in strumenti di programmazione per l'IA, agenti di IA e tecnologie quantistiche.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento