temperatureとは？top_p・max_tokensの意味と設定目安表

temperature（温度）とは、生成AIが次の語を選ぶときの「ばらつきの大きさ」を決める数値です。 低くすると確率の高い語に集中して毎回似た答えになり、高くすると確率の低い語も選ばれやすくなって表現が広がります。top_p と top_k は「候補を何個まで残すか」、max_tokens は「出力の長さの上限」、stop は「止める合図の文字列」を決めます。

この記事では、用途別の設定目安、OpenAI・Claude・Gemini の値の範囲と指定できないモデル、3つのパラメータの違いを Python で計算した結果、出力が途中で切れたときの見分け方、各社 SDK での指定例をまとめます。

確認環境（確認日 2026-10-06）：Ubuntu 上の Python 3.11.15。SDK は openai 3.24.0、anthropic 1.11.0、google-genai 2.28.0（Python）と、型定義の説明文を読むために openai 7.28.0、@anthropic-ai/sdk 0.131.0、@google/genai 2.27.0（npm）を使いました。確率の計算は標準ライブラリだけで実行しています。SDK の指定例は、応答を模した JSON を返す手元の確認用サーバーに向けて実行し、送信される JSON と停止理由の判定が動くことを確かめたもので、モデルが生成した文章は載せていません。

この記事の結論

• 正確さを重視する作業は低め、発想を広げる作業は高めにします。
• temperature と top_p は片方だけ動かします。 OpenAI と Gemini の公式の説明に、どちらか一方を変えることを勧める記載があります。
• モデルによっては temperature を指定できません。 Claude Opus 4.6 より後に公開された Claude のモデルは 1.0 以外を受け付けず、Gemini 3 系は既定値のままが強く勧められています。まず使うモデルの公式ページを確かめます。
• 出力が途中で切れたら、文章ではなく停止理由の値を見ます。 max_tokens・length・MAX_TOKENS・incomplete のどれかなら上限に届いています。

temperature・top_p・max_tokens の早見表

用途別の設定目安表

次の値は、各社の公式説明（低い値は分析的・決まった答え向き、高い値は創作向き）に沿って作った出発点の例です。temperature を動かす行では top_p を既定のままにします。

表計算ソフトに貼れるタブ区切り版です。

用途  temperatureの例   top_p   出力上限の考え方
分類・抽出・JSONでの出力  0〜0.2   既定のまま   想定する出力の1.5倍程度
コード生成・SQL生成 0〜0.3   既定のまま   長めに確保
要約・翻訳   0.2〜0.5 既定のまま   要約の目標字数から逆算
質問への回答・チャット 0.5〜0.8 既定のまま   中程度
文章の言い換え・キャッチコピー案    0.8〜1.0 既定のまま   案の数に合わせる
アイデア出し  1.0〜1.2 既定のまま   案の数に合わせる
temperatureを指定できないモデル   指定しない   指定しない   毎回決める

各社APIの値の範囲と指定できないモデル

今回開いた公式ドキュメントと、公式 SDK の型定義に書かれた説明文で確認できた内容です。空欄にあたる項目は「記載なし」と書いています。

同じ「temperature 1.0」でも、上限が 1.0 の API と 2.0 の API では位置づけが違います。 別の会社の API に移すときは、数値をそのまま写さず範囲を見て決め直します。

temperature・top_p・top_kの違いをPythonで計算する

3つとも「次の語の選び方」を変えますが、やっていることが違います。temperature は全候補を残したまま確率の差を広げたり縮めたりし、top_k と top_p は候補そのものを切り落とします。6語だけの小さな分布で計算します。数値は説明用の小さな例で、実際のモデルの値ではありません。

# sampling.py  temperature・top_k・top_p が確率分布をどう変えるかを計算する（標準ライブラリのみ）
import math

tokens = ["晴れ", "曇り", "雨", "雪", "雷", "虹"]
logits = [4.0, 3.0, 2.0, 1.0, 0.0, -1.0]   # 説明用の小さな例（モデルの実際の値ではない）

def softmax(xs, temperature=1.0):
    scaled = [x / temperature for x in xs]
    m = max(scaled)
    exps = [math.exp(s - m) for s in scaled]
    total = sum(exps)
    return [e / total for e in exps]

def top_k(probs, k):
    order = sorted(range(len(probs)), key=lambda i: -probs[i])[:k]
    total = sum(probs[i] for i in order)
    return [probs[i] / total if i in order else 0.0 for i in range(len(probs))]

def top_p(probs, p):
    order = sorted(range(len(probs)), key=lambda i: -probs[i])
    keep, cum = [], 0.0
    for i in order:               # 確率の高い順に足していき、p に届いたところで打ち切る
        keep.append(i)
        cum += probs[i]
        if cum >= p:
            break
    total = sum(probs[i] for i in keep)
    return [probs[i] / total if i in keep else 0.0 for i in range(len(probs))]

def show(label, probs):
    cells = " ".join(f"{t}:{p:5.1%}" for t, p in zip(tokens, probs))
    n = sum(1 for p in probs if p > 0)
    print(f"{label:<22}{cells}  候補{n}個")

base = softmax(logits)
print("■ temperature（全候補を残したまま、尖り具合を変える）")
for t in (0.2, 0.5, 1.0, 1.5, 2.0):
    show(f"temperature={t}", softmax(logits, t))
print("■ top_k（上位 k 個だけ残す。比率は元のまま）")
for k in (1, 2, 3):
    show(f"top_k={k}", top_k(base, k))
print("■ top_p（累積確率が p に届くまで残す）")
for p in (0.5, 0.9, 0.95, 1.0):
    show(f"top_p={p}", top_p(base, p))
print("■ 両方を動かした場合")
show("temp=0.5 のみ", softmax(logits, 0.5))
show("top_p=0.9 のみ", top_p(base, 0.9))
show("temp=0.5+top_p=0.9", top_p(softmax(logits, 0.5), 0.9))
show("temp=1.5+top_p=0.9", top_p(softmax(logits, 1.5), 0.9))

実行結果です。

■ temperature（全候補を残したまま、尖り具合を変える）
temperature=0.2       晴れ:99.3% 曇り: 0.7% 雨: 0.0% 雪: 0.0% 雷: 0.0% 虹: 0.0%  候補6個
temperature=0.5       晴れ:86.5% 曇り:11.7% 雨: 1.6% 雪: 0.2% 雷: 0.0% 虹: 0.0%  候補6個
temperature=1.0       晴れ:63.4% 曇り:23.3% 雨: 8.6% 雪: 3.2% 雷: 1.2% 虹: 0.4%  候補6個
temperature=1.5       晴れ:49.6% 曇り:25.4% 雨:13.1% 雪: 6.7% 雷: 3.4% 虹: 1.8%  候補6個
temperature=2.0       晴れ:41.4% 曇り:25.1% 雨:15.2% 雪: 9.2% 雷: 5.6% 虹: 3.4%  候補6個
■ top_k（上位 k 個だけ残す。比率は元のまま）
top_k=1               晴れ:100.0% 曇り: 0.0% 雨: 0.0% 雪: 0.0% 雷: 0.0% 虹: 0.0%  候補1個
top_k=2               晴れ:73.1% 曇り:26.9% 雨: 0.0% 雪: 0.0% 雷: 0.0% 虹: 0.0%  候補2個
top_k=3               晴れ:66.5% 曇り:24.5% 雨: 9.0% 雪: 0.0% 雷: 0.0% 虹: 0.0%  候補3個
■ top_p（累積確率が p に届くまで残す）
top_p=0.5             晴れ:100.0% 曇り: 0.0% 雨: 0.0% 雪: 0.0% 雷: 0.0% 虹: 0.0%  候補1個
top_p=0.9             晴れ:66.5% 曇り:24.5% 雨: 9.0% 雪: 0.0% 雷: 0.0% 虹: 0.0%  候補3個
top_p=0.95            晴れ:66.5% 曇り:24.5% 雨: 9.0% 雪: 0.0% 雷: 0.0% 虹: 0.0%  候補3個
top_p=1.0             晴れ:63.4% 曇り:23.3% 雨: 8.6% 雪: 3.2% 雷: 1.2% 虹: 0.4%  候補6個
■ 両方を動かした場合
temp=0.5 のみ           晴れ:86.5% 曇り:11.7% 雨: 1.6% 雪: 0.2% 雷: 0.0% 虹: 0.0%  候補6個
top_p=0.9 のみ          晴れ:66.5% 曇り:24.5% 雨: 9.0% 雪: 0.0% 雷: 0.0% 虹: 0.0%  候補3個
temp=0.5+top_p=0.9    晴れ:88.1% 曇り:11.9% 雨: 0.0% 雪: 0.0% 雷: 0.0% 虹: 0.0%  候補2個
temp=1.5+top_p=0.9    晴れ:52.3% 曇り:26.8% 雨:13.8% 雪: 7.1% 雷: 0.0% 虹: 0.0%  候補4個

読み取れることは次のとおりです。

• temperature は候補を1つも消しません。 0.2 では「晴れ」が 99.3%、2.0 では 41.4% まで下がり、最下位の「虹」が 3.4% まで上がります。候補は常に6個です。
• top_k は個数で切ります。 残った語どうしの比率は元のままです。
• top_p は累積確率で切ります。 この分布では 0.9 でも 0.95 でも残るのは同じ3語でした。上位3語の合計が 95.3% あるためで、分布が尖っているほど top_p を少し変えても結果は変わりません。
• 両方を動かすと効果が重なります。 temperature=0.5 と top_p=0.9 を同時に指定すると候補は2個になり、片方ずつのときより絞られました。逆に temperature=1.5 では同じ top_p=0.9 でも候補が4個に増えます。片方だけ動かすと、変えた結果を説明しやすくなります。

この計算では temperature を先に、top_p を後に適用しています。Gemini の SDK の説明には、top_k、top_p の順に絞ってから temperature で選ぶと書かれています。適用の順序は API ごとに公式の説明を確かめてください。

1000回選ぶと何種類の語が出るか

同じ分布から 1000 回選んで、出た語を数えます。

# draw.py  同じ分布から 1000 回選び、設定ごとに何種類の語が出たかを数える
import math, random
from collections import Counter

tokens = ["晴れ", "曇り", "雨", "雪", "雷", "虹"]
logits = [4.0, 3.0, 2.0, 1.0, 0.0, -1.0]

def softmax(xs, t):
    m = max(x / t for x in xs)
    e = [math.exp(x / t - m) for x in xs]
    return [v / sum(e) for v in e]

random.seed(42)
for t in (0.2, 1.0, 2.0):
    picks = random.choices(tokens, weights=softmax(logits, t), k=1000)
    c = Counter(picks)
    top = ", ".join(f"{w}={n}" for w, n in c.most_common())
    print(f"temperature={t}: {len(c)}種類  {top}")

temperature=0.2: 2種類  晴れ=988, 曇り=12
temperature=1.0: 6種類  晴れ=632, 曇り=253, 雨=74, 雪=27, 雷=10, 虹=4
temperature=2.0: 6種類  晴れ=417, 曇り=240, 雨=158, 雪=80, 雷=63, 虹=42

temperature=0.2 では2種類しか出ず、2.0 では6種類すべてが出て最下位の語も 42 回選ばれました。低い temperature でも最上位以外が 12 回出ている点が大事です。 0 に近づけても、毎回まったく同じになるとは限りません。Claude の公式ドキュメントにも、temperature が 0.0 でも結果は完全に決定的にはならないと書かれています。

似たパラメータの違いと選び方

max_tokensで出力が途中で切れたときの見分け方

出力上限に届くと、文の途中でも生成が止まります。見た目だけでは「短い答え」と区別しにくいので、応答に入っている停止理由の値で判定します。

Claude の停止理由には、このほか tool_use（ツール呼び出し）、pause_turn、refusal、model_context_window_exceeded（コンテキストウィンドウがいっぱいになった）があります。最後の値も「途中で切れた」扱いにします。

上限で切れたときの対処は次の3つです。

OpenAI の max_output_tokens と max_completion_tokens は、表示される出力に加えて推論トークンも数える上限です。推論モデルで小さな値にすると、表示される文章が出る前に上限へ届くことがあると公式の手引きに書かれています。

各社SDKでの指定例（コピペ用）

モデル名は環境変数 MODEL で渡す形にしています。使うモデルの名前は各社の公式のモデル一覧で確かめて入れてください。

Claude（Python）

# call_claude.py  （pip install anthropic／環境変数 ANTHROPIC_API_KEY）
import os
import anthropic

MODEL = os.environ["MODEL"]          # 使うモデル名を環境変数で渡す
client = anthropic.Anthropic()

message = client.messages.create(
    model=MODEL,
    max_tokens=50,                   # 必須。出力トークンの上限
    stop_sequences=["###"],          # この文字列が出たら止める
    messages=[{"role": "user", "content": "備品の貸出ルールを3行で説明してください。"}],
    # temperature を受け付けるモデル（Claude Opus 4.6 までに公開されたもの）で値を変える場合:
    # extra_body={"temperature": 0.2},
)
print("stop_reason:", message.stop_reason)
if message.stop_reason == "max_tokens":
    print("→ 上限で切れた。max_tokens を増やすか、続きを依頼する")
print(message.content[0].text)

SDK が送った JSON（会話の中身を除く）と、上限で切れた応答を受け取ったときの表示です。

{"max_tokens": 50, "model": "my-model", "stop_sequences": ["###"]}
stop_reason: max_tokens
→ 上限で切れた。max_tokens を増やすか、続きを依頼する

コメントの extra_body を有効にすると、送信される JSON に "temperature": 0.2 が加わりました。

OpenAI（Python）

# call_openai.py  （pip install openai／環境変数 OPENAI_API_KEY）
import os
from openai import OpenAI

MODEL = os.environ["MODEL"]
client = OpenAI()

# Responses API
response = client.responses.create(
    model=MODEL,
    max_output_tokens=50,            # 表示される出力と推論トークンを合わせた上限
    temperature=0.2,                 # 0〜2
    input="備品の貸出ルールを3行で説明してください。",
)
print("status:", response.status)
if response.status == "incomplete":
    print("reason:", response.incomplete_details.reason)
print(response.output_text)

# Chat Completions API
completion = client.chat.completions.create(
    model=MODEL,
    max_completion_tokens=50,
    temperature=0.2,
    stop=["###"],                    # 最大4個
    messages=[{"role": "user", "content": "備品の貸出ルールを3行で説明してください。"}],
)
choice = completion.choices[0]
print("finish_reason:", choice.finish_reason)
if choice.finish_reason == "length":
    print("→ 上限で切れた。max_completion_tokens を増やすか、続きを依頼する")
print(choice.message.content)

/v1/responses {"model": "my-model", "max_output_tokens": 50, "temperature": 0.2}
status: incomplete
reason: max_output_tokens
/v1/chat/completions {"model": "my-model", "max_completion_tokens": 50, "stop": ["###"], "temperature": 0.2}
finish_reason: length
→ 上限で切れた。max_completion_tokens を増やすか、続きを依頼する

Gemini（Python）

# call_gemini.py  （pip install google-genai／環境変数 GEMINI_API_KEY）
import os
from google import genai
from google.genai import types

MODEL = os.environ["MODEL"]
client = genai.Client()

response = client.models.generate_content(
    model=MODEL,
    contents="備品の貸出ルールを3行で説明してください。",
    config=types.GenerateContentConfig(
        max_output_tokens=50,
        temperature=1.0,             # Gemini 3 系は既定値のままが推奨されている
        top_p=0.95,
        top_k=40,
        stop_sequences=["###"],
    ),
)
candidate = response.candidates[0]
print("finish_reason:", candidate.finish_reason)
if candidate.finish_reason == types.FinishReason.MAX_TOKENS:
    print("→ 上限で切れた。max_output_tokens を増やすか、続きを依頼する")
print(response.text)

/v1beta/models/my-model:generateContent {"generationConfig": {"temperature": 1.0, "topP": 0.95, "topK": 40.0, "maxOutputTokens": 50, "stopSequences": ["###"]}}
finish_reason: FinishReason.MAX_TOKENS
→ 上限で切れた。max_output_tokens を増やすか、続きを依頼する

Python では max_output_tokens のようにスネークケースで書き、送信される JSON では maxOutputTokens のようにキャメルケースになります。この例の top_p=0.95 と top_k=40 は書き方を示すための値です。

掲載したコードは、確認時に付けていた接続先の切り替え（確認用サーバーの URL 指定）を外して、各社の API へそのまま送れる形にしています。

設定を決める手順

1. 使うモデルの公式ページで、temperature を指定できるかを確かめる。 指定できないモデルなら、以降は指示文と出力上限だけで調整します。
2. 既定値のまま 5〜10 回実行して、ばらつきを見る。 困っていなければ変えません。
3. 変えるなら temperature だけを 0.2〜0.3 刻みで動かす。 top_p は既定のままにします。
4. 出力上限は「想定する長さ＋余裕」で決め、停止理由を毎回ログに残す。 上限で切れた割合が分かります。
5. 決めた値と理由を設定ファイルに書く。 コードの中に数値を散らさず、1か所にまとめます。

確かめて分かったこと

• anthropic の Python SDK 1.11.0 では、messages.create() に temperature= を渡すと TypeError になりました。 引数の一覧に temperature・top_p・top_k がありません。値を送るには extra_body を使います。npm の @anthropic-ai/sdk 0.131.0 の型定義には3つとも項目があり、言語によって扱いが違いました。
• top_p は 0.9 と 0.95 で結果が同じになることがあります。 上位の語だけで累積確率が届く尖った分布では、少し変えても候補が変わりません。
• temperature と top_p を同時に下げると、候補は片方ずつのときより少なくなりました（6語の例で2個）。
• temperature=0.2 でも、1000 回中 12 回は2番目の語が選ばれました。 低い値は「ほぼそろう」であって「必ず同じ」ではありません。
• 停止文字列で止まったかどうかを値で区別できるのは Claude だけでした。 OpenAI の Chat Completions と Gemini は、自然な終了と同じ値（stop／STOP）になります。
• google-genai は top_k=40 を JSON では 40.0 として送りました。 型定義上は数値型で、小数として送られます。

よくある質問

Q. temperature とは何ですか？ A. 次の語を選ぶときのばらつきの大きさを決める数値です。低いほど確率の高い語に集中し、高いほど確率の低い語も選ばれます。

Q. temperature と top_p の違いは何ですか？ A. temperature は確率の差そのものを変え、top_p は累積確率で候補を切り落とします。temperature は候補を消さず、top_p は下位の候補を消します。

Q. temperature を 0 にすると毎回同じ答えになりますか？ A. ほぼそろいますが、必ず同じになるとは限りません。Claude の公式ドキュメントに、0.0 でも完全に決定的にはならないと書かれています。

Q. temperature を指定するとエラーになるときはどうしますか？ A. そのモデルが指定を受け付けない可能性があります。モデルの公式ページを確かめ、該当する場合は temperature・top_p・top_k を外して、指示文と出力形式の指定で調整します。

Q. max_tokens を大きくすると出力は長くなりますか？ A. 上限が上がるだけで、長さそのものは指示文で決まります。上限より前に自然に終わることもあります。

まとめ

• temperature は確率の尖り具合、top_p と top_k は残す候補、出力上限は長さ、停止文字列は止める合図を決めます。
• 正確さ重視は低め、発想重視は高めが出発点です。
• temperature と top_p は片方だけ動かします。 同時に動かすと効果が重なり、説明しにくくなります。
• 範囲は API ごとに違います（OpenAI は 0〜2、Claude は 0.0〜1.0、Gemini は 2.0 まで）。
• モデルによっては指定できません。 先に公式ページで確かめます。
• 途中で切れたかどうかは停止理由の値で判定し、ログに残します。

参考・出典

• Anthropic「Messages API リファレンス」 https://platform.claude.com/docs/en/api/messages/create
• Anthropic「Handling stop reasons」 https://platform.claude.com/docs/en/build-with-claude/handling-stop-reasons
• OpenAI「Chat API リファレンス」 https://developers.openai.com/api/reference/resources/chat
• OpenAI「Reasoning models」 https://developers.openai.com/api/docs/guides/reasoning
• OpenAI「最新モデルの手引き」 https://developers.openai.com/api/docs/guides/latest-model
• Google「Gemini API プロンプト設計の戦略」 https://ai.google.dev/gemini-api/docs/prompting-strategies
• 各社公式 SDK の型定義に含まれる説明文（openai 7.28.0、@anthropic-ai/sdk 0.131.0、@google/genai 2.27.0）

株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。