El dado en la máquina
Pregúntale a un modelo exactamente lo mismo dos veces y puedes recibir dos respuestas distintas. No es un error – para cada palabra siguiente, el modelo tiene una distribución de probabilidad y extrae de ella, como si tirara un dado cargado. Un regulador, la temperatura, decide lo justo o lo cargado que es ese dado.
Qué ves
Un diagrama de barras con las palabras que un modelo dio a la misma pregunta – además, un regulador de temperatura y un botón para tirar el dado.
Qué demuestra
Por qué la misma pregunta da respuestas distintas: el modelo extrae cada palabra de una distribución de probabilidad – y la temperatura decide lo justo o lo cargado que es el dado.
La pregunta, idéntica cada vez (en inglés): At sunset, the desert sky turned …
T → 0: casi siempre solo la palabra más probable. T = 1: exactamente la distribución medida. T → 2: más plana – hasta lo raro recibe una oportunidad real.
Todavía sin tirar.
De dónde salen los números
La misma pregunta, planteada 24 veces a Claude Haiku 4.5 el 6 de julio de 2026, en inglés: «At sunset, the desert sky turned …» («Al atardecer, el cielo del desierto se volvió …»). Cada respuesta, una sola palabra, pasada a minúsculas y contada; las barras son exactamente esas frecuencias. Una pregunta abierta a propósito: ante «the midday sky is …» («el cielo del mediodía es …») el modelo diría «blue» (azul) casi siempre – una distribución aburrida, con una sola barra. El regulador de temperatura de arriba es la fórmula softmax real – la regla de cálculo que convierte puntuaciones en probabilidades –, no una imitación. Solo una cosa está simplificada: un modelo real no tira el dado sobre un puñado de palabras, sino sobre decenas de miles de fragmentos de token.
Por qué importa: como el dado viene cargado por el entrenamiento, una respuesta que suena segura puede ser, aun así, la tirada equivocada – de eso trata Convincente, pero falso.