Top-k ve Top-p Sampling: Model Bir Sonraki Kelimeyi Nasıl Seçiyor?

Model “seçer” derken aslında kesilmiş bir zar atar. Bu yazı, top-k ve top-p’nin zarın yüzlerini nasıl belirlediğini anlatır.

Aşağıdaki bölümler, Top-k ve Top-p Sampling: Model Bir Sonraki Kelimeyi Nasıl Seçiyor sorusunu manşet dilinden çıkarıp mühendislik diline indirger. Amaç “kulağa hoş teknik kelime” yığmak değil; karar verirken hangi varsayımın kırıldığını görmenizi sağlamaktır.

Top-k

Sabit adet aday. Basit ve öngörülebilir; dağılım sivri/yayvan olsa da k sabit kalır.

Çok küçük k tekrarlı ve sıkıcı; çok büyük k kuyruk riski.

Kod ve kapalı sözlüklerde sık kullanılır.

Bu mekanizmayı veya yöntemi izole kavram sanmak yaygın bir hatadır. Gerçek sistemlerde top-k, top-p, nucleus sampling gibi başlıklar veri boru hattı, kayıp fonksiyonu, serving kısıtları ve eval tasarımıyla birlikte yaşar. Laboratuvar demosu ile üretim KPI’sı arasındaki uçurum çoğu zaman “algoritma bilmiyorduk”tan değil, bu birleşik sistemin tek bir satıra indirgenmesinden doğar.

Top-p (nucleus)

Dinamik adet: olasılık kütlesinin p kadarı. Düz dağılımda daha çok, sivride daha az aday.

Holtzman vd. nucleus sampling olarak popülerleşti.

Sohbet sistemlerinde T + top-p kombinasyonu yaygındır.

Ölçüm disiplini olmadan ilerlemek, özellikle bu konuda pahalıdır. Doğru sorular şunlardır: hangi metrik, hangi tutulmuş set, hangi maliyet, hangi hata maliyeti? Top-k en olası k token’a indirger; top-p (nucleus) kümülatif olasılık p’ye ulaşan en küçük kümeyi alır. Bu cümleyi ezberlemek yetmez; sisteminizde karşılığını enstrümante etmeniz gerekir.

Birlikte düşünmek

Kesme politikası + temperature + stop koşulları = ürün sesi.

Aynı model farklı decoding ile farklı karakter gösterir.

Sonraki token seçimi, model kartı kadar decoding politikasıdır.

Son bir uyarı: popüler anlatım bu başlığı ya abartır ya da küçümser. Abartı “sihirli zekâ”; küçümseme “sadece toy örnek”tir. Gerçek, ikisinin arasındadır — ve Dil Modelleri bağlamında rekabet avantajı, abartıyı değil ölçülebilir takası yöneten ekiplerdedir.

Yaygın yanlışlar

Birinci yanlış, tek bir hiperparametre veya tek bir katmanla tüm hikâyeyi açıklamaktır. Top-k ve Top-p Sampling: Model Bir Sonraki Kelimeyi Nasıl Seçiyor? sorusu, çoğu zaman bir ailenin parçasıdır; komşu yazılarda temperature yaraticilik nasil ve beam search neden sikici ile birlikte okunmalıdır.

İkinci yanlış, demo başarısını üretim garantisi saymaktır. Offline skor yüksek, online KPI düşük olabilir. Üçüncü yanlış, güvenlik ve maliyet kısıtlarını “sonra bakarız” demektir; sonra bakmak genelde en pahalı bakıştır.

Uygulayıcı için kontrol listesi

1. Tanım: Bu yazıdaki ana iddiayı kendi sisteminizde bir cümleyle yeniden yazın — kopyalamayın, somutlaştırın.
2. Metrik: Başarıyı hangi sayı ile bileceksiniz? (doğruluk, gecikme, $, false positive, insan eval)
3. Taban çizgi: Model/yöntem yokken ne oluyor?
4. Hata modu: Bozulursa kim zarar görür, nasıl geri alırsınız?
5. Maliyet: Prefill/decode, eğitim adımı, edge güç veya rater saati — hangisi baskın?
6. Regresyon: Sonraki değişiklik eski yeteneği sessizce öldürür mü?

Bu liste “çerçeve kutusu” değildir; mühendislik borcunu erken görünür kılan soru setidir. Atlanırsa top-k başlığı güzel sunum, kötü sistem üretir.

Kuyruk riski

Açık vocabulary’de çok düşük olasılıklı token’lar hâlâ saçma, toksik veya format bozucu olabilir. Top-p/k bu kuyruğu keser. Çok sert kesme tekrar ve klişe üretir; çok gevşek kesme dağınıklık üretir.

Nucleus sampling’in dinamik aday kümesi, düz dağılımlarda daha cömert, sivri dağılımlarda daha cimridir. Bu, sabit k’ya göre çoğu sohbet senaryosunda daha doğal gelir.

Ürün sesi

Marka sesi yalnızca prompt ile değil, decoding ile de şekillenir. Aynı SFT modeli, farklı top-p ile “kurumsal” veya “oyuncu” hissedebilir. Bu yüzden decoding, marka kılavuzunun parçası olmalıdır.

Derinlemesine bağlama

Sonraki token, kesilmiş zarın sonucudur. Zarın yüzlerini decoding seçer. Marka sesi prompt kadar sampling’dir.

Sınırlar, ölçüm ve sahada kırılma noktaları

Top-k ve Top-p Sampling: Model Bir Sonraki Kelimeyi Nasıl Seçiyor? başlığını laboratuvar cümlesi olarak bırakmak kolay, üretim sistemine gömmek zordur. Kırılma genelde üç yerde olur. Birincisi dağılım kayması: eğitimde görülen veri ile sahadaki veri aynı aileden görünür ama yeterince kayar; skorlar düşer, özgüvenli yanlışlar artar. İkincisi metrik körlüğü: tek bir offline skor yükselirken gecikme, maliyet, false positive veya kullanıcı güveni bozulur. Üçüncüsü süreç eksikliği: model doğru sinyal üretir ama iş emrine, güvenlik zincirine veya insan onayına bağlanmadığı için rafta kalır.

Bu üç kırılmayı erken görmek için en az şu gözlem seti gerekir: tutulmuş eval, üretim proxy metrikleri, hata maliyeti senaryoları ve geri alma planı. “Daha büyük model / daha düşük loss / daha uzun bağlam” refleksleri bazen doğrudur; çoğu zaman ise yanlış yere gaz basmaktır. top k top p sampling diliminde de aynı disiplin geçerlidir — kavramı bilmek, sistemi kurmak demek değildir.

Ayrıca komşu bileşenleri unutmayın. Tokenizer, position, attention, kayıp, decoding, cache ve güvenlik katmanı birbirine bağlıdır. Birini “hallettik” deyip diğerini rastgele bırakmak, özellikle ölçekte pahalı sürpriz üretir. İyi ekipler tek manşet mekanizmayı değil, uçtan uca boru hattını sahiplenir.

Ne zaman bu yaklaşımı seçmeli, ne zaman seçmemeli?

Seçmek için işaretler: problem yüksek boyutlu örüntü taşıyor, kural yazmak patlıyor, veri (veya log) var, hata tolere edilebilir veya insan/kural sarmalayıcı mevcut, maliyet/gecikme bütçesi net. Seçmemek için işaretler: sert emniyet fonksiyonu, sıfır hata toleransı ve kanıtlanabilir determinizm şartı, veri yokluğu, tek seferlik ucuz kuralın yetmesi, açıklanabilirlik regülasyonunun kara kutu engellemesi.

Gri alanda hibrit kazandır: öğrenen model skorlar ve önceliklendirir; deterministik sınırlar ve insan onayı devreye girer. Bu cümle endüstriyel AI için olduğu kadar LLM ürünleri için de geçerlidir — tool-use ve RAG da bir tür “dış kural ve dış bellek” sarmalayıcısıdır. Top-k ve Top-p Sampling: Model Bir Sonraki Kelimeyi Nasıl Seçiyor? özelinde de soru aynıdır: bu mekanizma hangi riski azaltıyor, hangi yeni riski açıyor, kim onaylıyor?

Sonuç

Model kesilmiş dağılımdan örnekler. Zarın yüzleri decoding politikasıdır.

Daha derin okuma için aynı arşivde attention, eğitim dinamiği, çıkarım ve endüstriyel güvenlik yazıları birbirine bağlanmıştır. Tek haber “yeterli bilgi” değil; sistemin bir dilimini netleştirme aracıdır — ve Top-k ve Top-p Sampling: Model Bir Sonraki Kelimeyi Nasıl Seçiyor dilimi, modern yapay zekânın en çok yanlış anlatılan parçalarından biridir.