## 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:

| Campo | Rango | Qué cambia |
|---|---|---|
| **Esfuerzo de razonamiento** | Heredar / Ninguno / Bajo / Medio / Alto | cuánto "piensa" el modelo antes de responder, en familias con razonamiento |
| **Temperatura** | 0 a 2 | valores más altos hacen las respuestas más variadas; más bajos, más predecibles |
| **Top P** | mayor que 0 hasta 1 | muestreo por núcleo de probabilidad — normalmente se ajusta **en lugar de** la temperatura |
| **Máximo de tokens de salida** | 1 o más | tope de tokens generados por respuesta |

> **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.

| Ajuste | Dónde se descarta |
|---|---|
| **Temperatura** | en modelos de razonamiento de OpenAI (la familia no la acepta) |
| **Top P** | en modelos de razonamiento de OpenAI; en Groq y Cohere, que no exponen el parámetro |
| **Máximo de tokens de salida** | en Cohere |
| **Esfuerzo de razonamiento** | en Anthropic, Google, Cohere, Ollama, xAI y OpenRouter |

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](/hc/ajuda/articles/maestro-brain-modelos-portateis-es)
- [Proveedor DeepSeek](/hc/ajuda/articles/maestro-brain-provedor-deepseek-es)
- [Secuencia de atención](/hc/ajuda/articles/maestro-brain-sequencia-de-atendimento-es)
- [Verificación de turno y retención de la respuesta](/hc/ajuda/articles/maestro-brain-verificacao-de-turno-es)
- [Qué son el Maestro IA y el Cerebro de la Cuenta](/hc/ajuda/articles/maestro-brain-overview-es)