[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-top-k::ru":3,"gloss-cluster-top-k::ru":23,"gloss-next-top-k::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"top-k","core-ai","Top-k (выборка по k лучшим)","Top-k — параметр сэмплирования, ограничивающий языковую модель выбором следующего токена только из k кандидатов с наибольшей предсказанной вероятностью: модель перенормирует этот короткий список и делает выборку из него. Всё, что не попало в первые k, отбрасывается сразу, независимо от того, как распределена вероятностная масса. Это более простой родственник top-p (nucleus sampling): top-p оставляет столько токенов, сколько нужно, чтобы набрать заданный порог накопленной вероятности, а top-k держит фиксированное число и форму распределения игнорирует полностью. Из этого различия вырастает весь спор между ними. Когда модель уверена и почти всю вероятность несёт один токен, фиксированное k, равное 50, затягивает внутрь 49 кандидатов, которых не следовало и рассматривать; когда модель действительно колеблется между множеством правдоподобных продолжений, то же самое k способно отсечь варианты, заслуживавшие шанса. Поэтому top-p принято считать более адаптивным из двух: он реагирует на то, насколько остроконечно или плоско распределение на каждом шаге. При этом ни один из них не лучше в абсолютном смысле — они решают одну задачу разными средствами. На стоимость top-k напрямую не влияет: он меняет, какой токен будет выбран, а не то, сколько токенов обработано и оплачено. Его влияние — на характер текста. Очень маленькое k сужает разнообразие и делает генерацию повторяющейся и механической, что иногда как раз и требуется; очень большое приближается к сэмплированию без ограничений и возвращает длинный хвост маловероятных токенов, ради отсечения которого усечение и существует. Практический совет разработчикам: меняйте по одной ручке сэмплирования за раз и оставляйте top-k на значении по умолчанию, если нет конкретной причины поступить иначе. Выставить одновременно top-k, top-p и высокую температуру — распространённый способ получить вырожденный вывод, будучи уверенным, что настраиваешь креативность. Многие API отдают top-k у одних семейств моделей и не отдают у других, так что считайте его риском переносимости в любой конфигурации промпта, которую собираетесь переносить между поставщиками. Стоит знать и то, что top-k и top-p часто активны одновременно и применяются последовательно: короткий список усекается и по числу, и по накопленной вероятности, а побеждает то ограничение, которое сработало раньше. Такая комбинация безобидна, пока оба параметра близки к значениям по умолчанию, и тихо разрушительна, когда оба выставлены агрессивно: каждый по отдельности выглядит разумно, а их пересечение почти не оставляет модели свободы выбора. Симптом выглядит как модель, которая странным образом одеревенела или зациклилась, и его легко принять за проблему качества модели, а не конфигурации. Если вы отлаживаете повторяющуюся или вырожденную генерацию, сначала верните все параметры сэмплирования к значениям по умолчанию и возвращайте их по одному. И помните, чего усечение не умеет: ни один из этих параметров не делает модель точнее. Они лишь определяют, какие из собственных вариантов продолжения модели допущены к выбору, — так что фактическая ошибка, сидящая на вершине распределения, будет выбрана при любом k. Снижение галлюцинаций — задача заземления и извлечения данных, а не сэмплирования.","Top-k ограничивает выбор следующего токена k наиболее вероятными кандидатами — родственник top-p с фиксированным размером вместо порога по массе.",null,[11,14,17,20],{"slug":12,"name":13},"hallucination","Галлюцинация",{"slug":15,"name":16},"temperature","Температура (Temperature)",{"slug":18,"name":19},"token","Токен",{"slug":21,"name":22},"top-p","Top-p (нуклеус-сэмплирование)",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]