Настройка параметров LLM по типу задачи

ai-tooling

llm-tuning-patterns — это скилл для Claude Code, который хранит доказательно обоснованные паттерны настройки параметров LLM для разных типов задач на основе исследований APOLLO и Godel-Prover. Для доказательства теорем (theorem proving в Lean 4) рекомендуются temperature 0.6, top_p 0.95 и max_tokens 4096 — чтобы оставить место для chain-of-thought и тактического планирования; для генерации кода — temperature 0.2–0.4 и 2048 токенов; для творческих задач — temperature 0.8–1.0. Скилл описывает технику параллельной выборки: генерировать N=8–32 кандидатов и выбирать лучший (best-of-N). Отдельно зафиксированы анти-паттерны — например, слишком низкий лимит токенов обрывает цепочку рассуждений, а temperature 0.2 при доказательстве теорем сужает пространство тактик. Полезен разработчикам и исследователям, которые интегрируют LLM в формальные или инженерные рабочие процессы.