> ## 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.

# Playground interactif

Pour aider les utilisateurs à mieux comprendre et tester le comportement des grands modèles de langage, **Novita** fournit un playground interactif flexible. Les utilisateurs peuvent ajuster finement une série de paramètres afin de contrôler précisément la logique de génération du modèle, le style du contenu et la structure de la réponse, permettant ainsi une sortie plus ciblée.

## Format de réponse

Les utilisateurs peuvent choisir entre deux modes :

* **Structure de sortie JSON personnalisée** : définissez un JSON Schema pour guider le modèle dans la génération d’une sortie qui suit un format prédéfini, idéal pour les tâches structurées ou les scénarios d’intégration API.
* **Génération en forme libre** : laissez le modèle organiser librement les réponses en fonction du contexte, adapté aux questions-réponses ouvertes et aux applications de rédaction créative.

## Prompt système

En définissant un prompt système, les utilisateurs peuvent préciser la « personnalité » du modèle et son contexte comportemental. Par exemple, si vous définissez le prompt sur « You are a professional travel planner, » le modèle répondra depuis cette perspective, améliorant ainsi la cohérence et la cohésion contextuelle.

## Configuration des paramètres

Le playground prend en charge l’ajustement des paramètres principaux suivants :

* **max\_tokens** : définit le nombre maximal de tokens que le modèle peut générer. Des valeurs plus faibles améliorent la vitesse de réponse, tandis que des valeurs plus élevées conviennent aux sorties complexes et longues.
* **temperature** : contrôle la créativité et le caractère aléatoire de la sortie. Des valeurs plus élevées produisent des réponses plus diverses et imaginatives, tandis que des valeurs plus faibles donnent des sorties plus conservatrices et déterministes, idéales pour les tâches précises.
* **top\_p (nucleus sampling)** : ajuste dynamiquement la plage d’échantillonnage des tokens à chaque étape afin d’améliorer la diversité et la fluidité. Il est recommandé de l’utiliser avec temperature.
* **top\_k** : limite le modèle à une sélection parmi les K tokens ayant la probabilité la plus élevée à chaque étape, ce qui améliore l’efficacité et réduit le bruit.
* **min\_p** : une alternative à top\_p et top\_k, utilisée pour filtrer les tokens dont les probabilités sont inférieures à un certain seuil, adaptée aux tâches critiques en matière de précision.
* **presence\_penalty** : encourage le modèle à introduire de nouveaux sujets dans sa sortie. Les valeurs positives augmentent la probabilité d’étendre la réponse à de nouveaux contenus.
* **frequency\_penalty** : supprime la génération de tokens répétés. Les valeurs positives réduisent la répétition et aident à maintenir l’originalité.
* **repetition\_penalty** : réduit davantage le risque de boucles ou de prompts répétitifs, renforçant la robustesse de la sortie.

## Recommandations d’utilisation

* **Pour la rédaction créative** : augmentez temperature, top\_p et presence\_penalty afin d’encourager des sorties diverses et imaginatives.
* **Pour les tâches structurées et l’invocation d’outils** : utilisez un schéma JSON fixe avec une temperature et un top\_k plus faibles afin de garantir des sorties cohérentes et fiables.
* **Pour tester les interactions** : comparez différentes combinaisons de paramètres afin d’observer les changements de style de génération, de densité d’information et de compréhension contextuelle, ce qui facilite une itération plus rapide des prompts.

***

Pour reproduire le comportement du playground dans les appels API, consultez la documentation des paramètres correspondante dans le guide de la plateforme.