> ## Documentation Index
> Fetch the complete documentation index at: https://novita.ai/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# Interaktiver Playground

Um Nutzern zu helfen, das Verhalten großer Sprachmodelle besser zu verstehen und zu testen, stellt **Novita** einen flexiblen interaktiven Playground bereit. Nutzer können eine Reihe von Parametern feinabstimmen, um die Generierungslogik, den Inhaltsstil und die Antwortstruktur des Modells präzise zu steuern und so gezieltere Ausgaben zu ermöglichen.

## Antwortformat

Nutzer können zwischen zwei Modi wählen:

* **Benutzerdefinierte JSON-Ausgabestruktur**: Definieren Sie ein JSON Schema, um das Modell bei der Generierung von Ausgaben anzuleiten, die einem vordefinierten Format folgen – ideal für strukturierte Aufgaben oder Szenarien zur API-Integration.
* **Freiform-Generierung**: Erlauben Sie dem Modell, Antworten basierend auf dem Kontext frei zu strukturieren – geeignet für offene Q\&A- und Creative-Writing-Anwendungen.

## System Prompt

Durch das Festlegen eines System-Prompts können Nutzer die „Persona“ und den Verhaltenskontext des Modells definieren. Wenn Sie beispielsweise den Prompt „You are a professional travel planner,“ festlegen, antwortet das Modell aus dieser Perspektive, wodurch Konsistenz und kontextuelle Kohärenz verbessert werden.

## Parameterkonfiguration

Der Playground unterstützt die Anpassung der folgenden Kernparameter:

* **max\_tokens**: Legt die maximale Anzahl an Tokens fest, die das Modell generieren kann. Niedrigere Werte verbessern die Antwortgeschwindigkeit, während höhere Werte für komplexe, längere Ausgaben geeignet sind.
* **temperature**: Steuert die Kreativität und Zufälligkeit der Ausgabe. Höhere Werte führen zu vielfältigeren und fantasievolleren Antworten, während niedrigere Werte konservativere und deterministischere Ausgaben erzeugen – ideal für präzise Aufgaben.
* **top\_p (nucleus sampling)**: Passt den Token-Sampling-Bereich pro Schritt dynamisch an, um Vielfalt und Flüssigkeit zu verbessern. Es wird empfohlen, diesen Parameter zusammen mit temperature zu verwenden.
* **top\_k**: Beschränkt das Modell darauf, bei jedem Schritt aus den K Tokens mit der höchsten Wahrscheinlichkeit auszuwählen, was die Effizienz erhöht und Rauschen reduziert.
* **min\_p**: Eine Alternative zu top\_p und top\_k, die verwendet wird, um Tokens mit Wahrscheinlichkeiten unterhalb eines bestimmten Schwellenwerts herauszufiltern; geeignet für Aufgaben, bei denen Genauigkeit entscheidend ist.
* **presence\_penalty**: Ermutigt das Modell, neue Themen in seine Ausgabe einzubringen. Positive Werte erhöhen die Wahrscheinlichkeit, Inhalte in neue Richtungen zu erweitern.
* **frequency\_penalty**: Unterdrückt die Generierung wiederholter Tokens. Positive Werte reduzieren Wiederholungen und helfen, Originalität zu bewahren.
* **repetition\_penalty**: Reduziert zusätzlich das Risiko von Schleifen oder repetitiven Prompts und erhöht so die Robustheit der Ausgabe.

## Nutzungsempfehlungen

* **Für Creative Writing**: Erhöhen Sie temperature, top\_p und presence\_penalty, um vielfältige und fantasievolle Ausgaben zu fördern.
* **Für strukturierte Aufgaben und Tool Invocation**: Verwenden Sie ein festes JSON-Schema mit niedrigerer temperature und top\_k, um konsistente und zuverlässige Ausgaben sicherzustellen.
* **Für das Testen von Interaktionen**: Vergleichen Sie verschiedene Parameterkombinationen, um Änderungen im Generierungsstil, in der Informationsdichte und im kontextuellen Verständnis zu beobachten und so eine schnellere Prompt-Iteration zu unterstützen.

***

Um das Verhalten aus dem Playground in API-Aufrufen zu replizieren, lesen Sie die entsprechende Parameterdokumentation im Plattformleitfaden.