اگر اکنون از تنظیمات دستی برای کنترل میزان خلاقیت یا دقت مدل‌های گوگل استفاده می‌کنید، باید بدانید که دوران «پیچاندن پیچ‌های تصادفی» به پایان رسیده است. گوگل در به‌روزرسانی ۲۱ جولای ۲۰۲۴، پارامترهای کلیدی کنترل خروجی را در مدل‌های Gemini 3.6 Flash و Gemini 3.5 Flash-Lite حذف کرد. با کنار گذاشتن پارامترهای Temperature، Top_p و Top_k، گوگل به‌طور مؤثر توسعه‌دهندگان را مجبور به گذار به سمت یک رویکرد سخت‌گیرانه و مبتنی بر دستورات (Instruction-driven Prompting) می‌کند.
این تصمیم به معنای آن است که مدل‌های جدید دیگر به تنظیمات Temperature، Top_p و Top_k توجه نمی‌کنند. طبق گزارش وب‌سایت dev.to، گوگل می‌خواهد توسعه‌دهندگان را به سمتی سوق دهد که به‌جای تکیه بر احتمالات، از مهندسی پرامپت (Prompt Engineering) — که شبیه هنر سؤال درست پرسیدن از یک مشاور باتجربه است — برای رسیدن به نتیجه استفاده کنند.
همان‌طور که در تحلیل قبلی ما درباره‌ی محدودیت‌های لایه‌های مختلف مدل‌های گوگل اشاره کردیم، این تغییر اکنون لایه‌ی منطق تعامل با API را هدف قرار داده است. این تحول را می‌توان به جایگزینی یک کلید dimmer (که نور را به‌صورت تقریبی کم و زیاد می‌کند) با یک نقشه‌ی دقیق ساختمانی تشبیه کرد که جایگاه هر لامپ را با دقت میلی‌متری تعیین می‌کند.
تخصصی‌شدن مدل‌ها
بر اساس مستندات منتشر شده و گزارش dev.to، این به‌روزرسانی ۲۱ جولای، دو مدل با اهداف کاملاً متمایز و کاربردهای مشخص را وارد چرخه تولید کرد تا نیازهای خاص سازندگان را برطرف کند:
- Gemini 3.6 Flash: نسخه‌ای ارتقایافته که مستقیماً در پاسخ به بازخوردهای توسعه‌دهندگان درباره‌ی «پرحرفی» یا حاشیه‌پردازی (verbosity) مدل‌های قبلی طراحی شده است. این مدل با بهره‌وری بیشتر در مصرف توکن (Token) — تکه‌های کوچکی از متن که مدل تکه‌تکه می‌خورد — و قابلیت‌های بهبود یافته برای کدنویسی و برنامه‌ریزی‌های عامل‌محور (Agentic)، با قیمتی ارزان‌تر از پیشین خود عرضه شده است. این رویکرد در راستای بهینه‌سازی عملکرد مدل‌ها در محیط‌های برنامه‌نویسی است؛ موضوعی که در تحلیل ما پیرامون رقابت کلود و جمینای در مدیریت مخازن کد پیچیده نیز به اهمیت دقت در کدنویسی اشاره شده بود. این مدل برای وظایف عمومی است که نیاز به تعادلی بین عملکرد و هزینه دارند و در عین حال می‌خواهند «چت‌های ناخواسته» مدل به حداقل برسد.
- Gemini 3.5 Flash-Lite: ابزاری که به‌طور اختصاصی برای اتوماسیون‌های با حجم بالا ساخته شده است. این مدل یک گزینه با تأخیر بسیار کم (Low-latency) و بسیار مقرون‌به‌صرفه برای وظایف «زیر-عامل» (Subagent) است. هدف این مدل مدیریت بخش‌های مجزا و تکراری از یک جریان کاری بزرگتر است، در حالی که یک مدل قدرتمندتر در سطح بالاتر، کل سیستم را ارکستره و مدیریت می‌کند.
تغییر مکانیزم فنی
هسته‌ی فنی این تغییر، نرخ نادیده گرفتن کامل (Total ignore-rate) پارامترهای نمونه‌گیری (Sampling parameters) برای مدل‌های gemini-3.6-flash و gemini-3.5-flash-lite است. پیش از این، توسعه‌دهندگان برای دریافت پاسخ‌های خلاقانه‌تر، Temperature را بالا می‌بردند یا برای پاسخ‌های قطعی و Determinstic، آن را کاهش می‌دادند. اکنون پارامترهای temperature و top_p و top_k به‌سادگی نادیده گرفته می‌شوند.
این موضوع تغییر ساختاری در کد را می‌طلبد. شما دیگر نمی‌توانید شیء generation_config را با پارامترهای نمونه‌گیری ارسال کنید و انتظار اثرگذاری داشته باشید. برای رسیدن به پاسخ‌های قطعی و کنترل‌شده، توسعه‌دهندگان اکنون باید محدودیت‌ها را مستقیماً در پرامپت سیستمی (System Instruction) گنجانده و جاسازی کنند.
مثال‌های مهندسی پرامپت
اکنون بار کنترل خروجی از تنظیمات API به نویسندگی پرامپت‌های قدرتمند و جامع منتقل شده است. برای درک بهتر این تغییر، مثال‌های زیر را بررسی کنید:
- روش قدیمی: یک توسعه‌دهنده احتمالاً از مدل
gemini-1.5-flashاستفاده می‌کرد و مقدارtemperature: 0.1را درgeneration_configقرار می‌داد تا اطمینان حاصل کند که استخراج اطلاعات نام و شهر از پیام کاربر در قالب یک JSON واقعی و دقیق انجام می‌شود. - روش جدید: در مدل
gemini-3.6-flashتوسعه‌دهنده باید از یک دستور سیستمی صریح استفاده کند: «تو یک ابزار پردازش متن هستی. تنها وظیفه‌ی تو استخراج موجودات از متن کاربر است. فقط و فقط با یک شیء JSON معتبر و فشرده (Minified) شامل کلیدهای 'name' و 'city' پاسخ بده. هیچ توضیح اضافی یا فرمت مارک‌داونی اضافه نکن».
این تغییر نشان می‌دهد که گوگل بر روی «پرامپت‌های ساختاریافته» به‌جای «تنظیمات احتمالی» شرط‌بندی کرده است. برای توسعه‌دهنده، این بدان معناست که مهارت اصلی دیگر دست‌کاری پارامترهای API نیست، بلکه نوشتن «کدهایی به زبان طبیعی» است که هیچ ابهامی نداشته باشند.
با تبدیل مدل از یک «غیب‌گوی خلاق» به یک «تابع قطعی»، گوگل اولویت را به قابلیت حسابرسی (Auditability) داده است. دستوراتی که در کنار کد زندگی می‌کنند، بسیار راحت‌تر از تنظیمات پنهان نمونه‌گیری، نسخه‌بندی (Version-control) و عیب‌یابی می‌شوند. این حرکت باعث کاهش نویز، حاشیه‌پردازی و غیرقابل‌پیش‌بینی بودن مدل‌های سبک می‌شود و سری Flash را به لوله‌کشی و زیرساخت قابل‌اعتماد نسل بعدی عامل‌های هوش مصنوعی (AI Agents) تبدیل می‌کند. این تکامل در بهره‌وری و دقت مدل‌ها، مشابه جهش‌هایی است که در جایگزینی NotebookLM با Gemini Notebook و رشد چشم‌گیر بنچمارک‌ها مشاهده کردیم.
گام بعدی شما
- تمام اشیاء
generation_configدر پروژه‌های فعلی خود را بازرسی (Audit) کنید. - تمام منطق‌های مبتنی بر نمونه‌گیری را به دستورات سیستمی (System Instructions) منتقل کنید تا از تغییرات ناگهانی و غیرمنتظره در خروجی‌ها جلوگیری شود.
- برای مدل‌های حجیم و تکراری، مهاجرت به Gemini 3.5 Flash-Lite را تست کنید.
اما داستان سخت‌افزاری این تحول و تأثیر آن بر هزینه‌های استنتاج حتی شگفت‌انگیزتر است؛ به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو