Configuración avanzada del modelo por robot: temperatura, Top P, tope de salida y esfuerzo de razonamiento

Visión general

Cada robot ya elige un modelo predeterminado y una cadena de fallbacks. La Configuración avanzada del modelo está un escalón más abajo: cuatro ajustes que cambian cómo responde el modelo elegido, sin cambiar cuál es el modelo.

Son cuatro campos, todos opcionales:

En blanco (o "Heredar") mantiene el comportamiento actual. Un robot que nunca abra esta sección sigue exactamente igual: la plataforma solo envía un ajuste al proveedor cuando tú elegiste uno. Dejar un campo en blanco no es "cero" — es "no mandes nada, usa el valor por defecto del proveedor".

Requisitos previos

• Maestro habilitado y un robot configurado.
• Permiso de administrador para editar la configuración del robot.
• Saber qué modelo usa el robot: los ajustes solo valen donde el proveedor de ese modelo los acepta (mira la tabla de compatibilidad más abajo).

Paso a paso

1. Abre la configuración del robot.
2. Ve a Configuración avanzada del modelo.
3. Completa solo los campos que quieras cambiar. Deja los demás en blanco.
4. Guarda.
5. Haz una conversación de prueba con ese robot y compara el resultado antes de aplicar el mismo ajuste a otros.

Configuración y opciones

Temperatura y Top P — ajusta uno, no los dos

Ambos controlan lo mismo por caminos distintos: cuánta variación puede tener la respuesta. La práctica que recomiendan los propios proveedores es mover uno y dejar el otro en blanco. Ajustar los dos a la vez vuelve el resultado difícil de prever y aún más difícil de comparar entre dos versiones del mismo robot.

Como referencia práctica:

• Temperatura baja (0 a 0.3): procedimientos, respuesta técnica, extracción de datos, cualquier cosa que deba salir igual todas las veces.
• Temperatura media (0.4 a 0.6): atención común, conversación natural sin volverse impredecible.
• Temperatura alta (0.7 o más): redacción creativa, variación deliberada del mensaje. Rara vez es lo que se busca en atención al cliente.

Máximo de tokens de salida

Es un tope por respuesta, no un objetivo. Sirve para contener respuestas demasiado largas para el canal (WhatsApp sobre todo) y para limitar el costo por turno. Un tope demasiado bajo corta la respuesta en vez de resumirla — si los mensajes empiezan a terminar a mitad de frase, el tope está demasiado ajustado.

Esfuerzo de razonamiento

Vale para modelos con razonamiento (las familias o-series/gpt-5.x de OpenAI, DeepSeek y similares). Más esfuerzo suele significar mejor respuesta en tareas difíciles, más tiempo de espera y más costo.

Este campo tiene un segundo efecto, que es la razón por la que existe en el formulario: elegir un valor aquí también evita que el enrutador fuerce el cambio automático de endpoint cuando el modelo es de razonamiento y tiene herramientas vinculadas. Si ya decidiste cómo debe razonar el modelo, la plataforma respeta tu decisión en vez de decidir por ti.

Dónde vale cada ajuste — y dónde se descarta

Cada proveedor escribe estos parámetros con nombres distintos, y algunos simplemente no tienen el parámetro. La plataforma traduce el valor al nombre correcto del proveedor y, cuando ese proveedor no lo tiene, descarta el ajuste en vez de inventar un nombre que la llamada rechazaría.

Sobre la primera fila: en los modelos de razonamiento de OpenAI, temperatura y Top P se descartan juntos, a propósito. Antes la temperatura desaparecía en silencio mientras el Top P seguía adelante y tumbaba la llamada — el mismo valor del panel se comportaba de dos formas distintas según qué campo hubieras completado.

Descartar es silencioso. No se convierte en error en la atención ni en aviso en esta pantalla. Si un ajuste parece no tener efecto, revisa la tabla de arriba antes de buscar un fallo.

Valor inválido: quien lo rechaza es el proveedor

La plataforma valida los rangos en el formulario (temperatura 0 a 2, Top P mayor que 0 hasta 1, tope de salida 1 o más). Más allá de eso, quien decide si un valor es aceptable es el proveedor del modelo — y el mensaje de error que aparezca viene de ahí, no de la plataforma. Ante la duda, déjalo en blanco.

Casos de uso

• Robot de soporte con procedimiento fijo: temperatura 0.1, para que la misma pregunta reciba siempre la misma respuesta.
• Robot de ventas: temperatura 0.5 a 0.6 — conversación natural sin inventar variaciones en cada turno.
• Robot que solo extrae datos (registrar un pedido, completar una ficha): temperatura 0.1 y tope de salida bajo; la respuesta es corta por naturaleza.
• Robot en un canal con límite de tamaño: un tope de salida para que los mensajes no salgan enormes.
• Tarea difícil y sin prisa (análisis, diagnóstico): esfuerzo de razonamiento Alto, aceptando más tiempo y más costo.
• Modelo de razonamiento con herramientas donde quieres controlar el comportamiento: define el esfuerzo explícitamente en vez de dejar que la plataforma decida.

Consejos, límites y buenas prácticas

• Cambia un campo a la vez y prueba. Dos ajustes a la vez hacen imposible saber cuál causó la diferencia.
• Temperatura O Top P. No los dos.
• En blanco no es cero. Vaciar el campo devuelve la decisión al proveedor; escribir 0 es una elección tuya, con efecto real (temperatura 0 = lo más predecible posible).
• El esfuerzo de razonamiento cuesta tiempo y dinero. En atención por WhatsApp, un esfuerzo alto puede volver la respuesta lo bastante lenta como para que el contacto desista.
• Estos ajustes no cambian el modelo. Si la calidad no mejora aquí, el siguiente paso es cambiar el modelo predeterminado, no subir la temperatura.
• La cadena de fallback sigue valiendo. Los ajustes se aplican sobre el modelo que efectivamente atienda el turno — incluido un fallback, cuando el principal falla.
• Un robot sin estos campos completados no es un robot mal configurado. Los valores por defecto de los proveedores son buenos para la mayoría de las atenciones.

Solución de problemas

• "Cambié la temperatura y no cambió nada": el modelo del robot es de razonamiento de OpenAI — en esa familia la temperatura y el Top P se descartan. Cambia el modelo o usa el esfuerzo de razonamiento.
• "Puse Top P y sigue igual": además del caso anterior, Groq y Cohere no exponen ese parámetro.
• "Las respuestas se cortan a mitad": el Máximo de tokens de salida está demasiado bajo. Súbelo o déjalo en blanco.
• "El proveedor rechazó la llamada": el valor está fuera de lo que ese modelo acepta. El mensaje viene del proveedor; vacía el campo y prueba de nuevo.
• "El robot se puso lento": esfuerzo de razonamiento alto, o un modelo de razonamiento donde bastaría uno común.
• "Elegí el esfuerzo de razonamiento y el modelo no es de razonamiento": el ajuste se descarta. No rompe nada, simplemente no hace efecto.

Ver también

• Modelos portátiles: un robot, varios proveedores
• Proveedor DeepSeek
• Secuencia de atención
• Verificación de turno y retención de la respuesta
• Qué son el Maestro IA y el Cerebro de la Cuenta