PARAMETER REFERENCE

כל ההגדרות, בכל ספק

אותו רעיון נקרא אחרת בכל API, ואותו פרמטר מתנהג אחרת. כאן מרוכז מה כל הגדרה עושה, מה מומלץ, ואיזו טעות נפוצה שוברת אותה.

מפת סולמות עומק החשיבה

ארבעה ספקים, ארבעה שמות, שני סולמות. רמת effort שקולה אינה מושווית בין ספקים — כיילו מחדש בכל מעבר.

OpenAIreasoning.effortברירת מחדל: medium
lowmediumhighxhighmax
Anthropicoutput_config.effortOpus 5.5: medium · Sonnet 5: high
lowmediumhighxhighmax
Googlethinking_levelFlash: medium · Pro: high
lowmediumhigh
xAIreasoning.effort4.7: high · 4.6: medium
lowmediumhigh

דגימה

SAMPLING· 4 פרמטרים

טמפרטורה

temperature

כמה אקראיות יש בבחירת הטוקן הבא. 0 = כמעט דטרמיניסטי, גבוה = מגוון ויצירתי.

0–2 (OpenAI/Grok), 0–2 עם ברירת מחדל 1.0 (Gemini)
המלצה

בדגמי reasoning של OpenAI/Gemini/Grok — אל תיגע. בדגמים ישנים או בכתיבה יוצרת: 0.7–0.9.

OpenAI: בדגמי GPT-6 החשיבה נשלטת ב-effort; temperature נשאר 1.

Anthropic: לא פרמטר שימושי — השליטה היא effort.

Google: גוגל ממליצה במפורש להשאיר 1.0 בכל דגמי 3.x.

xAI: הספק ממליץ 0.7 קבוע, לא 1.0.

הטעות הנפוצה: הורדת temperature ל-0 'כדי לקבל דיוק' — זה מקטין גיוון, לא מגדיל נכונות.

חיתוך הסתברותי

top_p

מגביל את הבחירה לטוקנים שההסתברות המצטברת שלהם מגיעה ל-p. 0.9 = רק 90% הסיכוי העליון.

0–1
המלצה

אל תשנה. אם אתה חייב, שנה temperature או top_p — לא את שניהם יחד.

OpenAI: ברירת מחדל 1; לא רלוונטי בדגמי reasoning.

Anthropic: נתמך, אך effort הוא הכלי הנכון.

Google: לא מומלץ לשנות בדגמי 3.x.

xAI: 0.95 כברירת מחדל — קבע במפורש.

הטעות הנפוצה: כיוונון עדין של top_p במקום לתקן את הפרומפט.

חיתוך ל-K טוקנים

top_k

מגביל את הבחירה ל-K הטוקנים הסבירים ביותר בכל צעד. נפוץ בגוגל, פחות בשאר.

1–100+
המלצה

ברירת מחדל בלבד. אין סיבה לגעת בו בעבודה עם מודלי reasoning.

OpenAI: לא נתמך.

Anthropic: לא נתמך.

Google: נתמך; לא מומלץ לשנות ב-3.x.

xAI: לא בשימוש — xAI מכייל דגימה אחרת.

הטעות הנפוצה: העתקת קבצי הגדרות ישנים עם top_k=40 למודל חדש.

זרע

seed

מנסה לשחזר אותה תשובה לאותו פרומפט. עוזר בבנצ'מרקים, לא באמת מבטיח זהות.

מספר שלם
המלצה

השתמש רק בהערכת מודלים (eval), לא בפרודקשן.

OpenAI: seed + system_fingerprint לניסויים.

Anthropic: לא נתמך.

Google: seed נתמך בדגמים נבחרים.

xAI: נתמך חלקית.

הטעות הנפוצה: להסתמך על זהות מוחלטת בין ריצות — גם עם seed זה לא מובטח.

עומק חשיבה

REASONING· 4 פרמטרים

רמת מאמץ החשיבה

reasoning effort / thinking level

המנוף המרכזי של 2026: כמה tokens המודל רשאי לבזבז על חשיבה לפני שהוא עונה. מחליף בחלקו את כיוונון הדגימה.

OpenAI/Anthropic: low→max (כולל xhigh) · Google/Grok: low/medium/high
המלצה

התחל תמיד בברירת המחדל של הדגם, והעלה רק כשהכישלון הוא בהסקה ולא בניסוח.

OpenAI: reasoning.effort — מ-low עד max. ברירת מחדל medium.

Anthropic: output_config.effort — חמש רמות; Opus 5.5 ברירת מחדל medium (קודמיו high).

Google: thinking_level — low/medium/high, ברירת מחדל medium ב-Flash ו-high ב-Pro.

xAI: reasoning.effort — 4.7 ברירת מחדל high, 4.6 medium.

הטעות הנפוצה: העלאת effort כשהבעיה היא שהפרומפט חסר מידע — תקבל תשובה ארוכה, לא נכונה.

מצב חשיבה

thinking

האם המודל חושב בכלל, ואיך: אדפטיבי (מחליט לבד), ידני עם תקציב, או בין קריאות כלים בלבד.

adaptive · enabled+budget_tokens · between_tools · disabled
המלצה

אדפטיבי. הוא נותן למודל לדלג על חשיבה בשאלות פשוטות ולעמק בקשות קשות.

OpenAI: אין שדה thinking — effort מכסה את זה.

Anthropic: Opus 5.5/Fable 5.1: thinking תמיד דלוק ו-disabled מחזיר 400.

Google: thinking_level מחליף את thinking_budget המספרי.

xAI: reasoning.effort; אין מצב disabled ב-4.7.

הטעות הנפוצה: שליחת budget_tokens למודל חדש של Anthropic — הבקשה נכשלת ב-400.

תקציב חשיבה

budget_tokens

מספר ה-tokens המקסימלי לחשיבה פנימית. הוצא משימוש בדגמים החדשים של Anthropic (4.7 ומעלה).

מינימום 1,024, וחייב להיות קטן מ-max_tokens
המלצה

אם אתה עדיין על דגם תומך: התחל ב-4K לפשוט ו-16K+ לקשה; מעל 32K — רק בבאטצ'ים.

OpenAI: לא קיים — effort בלבד.

Anthropic: legacy. בדגמי 5.5 ו-4.7 ומעלה מחזיר שגיאה.

Google: הוחלף ב-thinking_level; המספרי עדיין עובד לתאימות.

xAI: לא קיים.

הטעות הנפוצה: הגדרת budget גדול מ-max_tokens — הבקשה נדחית.

סיכום החשיבה

reasoning.summary / display

מה מהחשיבה נחשף אליך: כלום, סיכום, או הפירוט המלא — כשהספק מאפשר.

auto · concise · detailed · omitted
המלצה

detailed בדיבוג ובארכיטקטורה — שם הנימוק שווה יותר מהמסקנה.

OpenAI: reasoning.summary: auto/detailed.

Anthropic: summarized thinking כברירת מחדל; אפשר לבקש display.

Google: includeThoughts=true.

xAI: reasoning מוצפן — מחזירים אותו בין תורים.

הטעות הנפוצה: בקשה לחשיבה גלויה מלאה בפרודקשן — עלות טוקנים גבוהה בהרבה.

פלט ומבנה

OUTPUT· 4 פרמטרים

תקרת פלט

max_tokens / max_output_tokens

התקרה הקשיחה על כל מה שהמודל מחזיר — כולל tokens החשיבה, לא רק התשובה.

לפי הדגם; עד 64K בג'מיני 3.8 Flash
המלצה

16K לעבודה רגילה, 32K ומעלה כשהחשיבה כבדה או כשהפלט הוא מסמך.

OpenAI: max_output_tokens.

Anthropic: max_tokens — חשיבה נספרת, אז תמיד להשאיר מרווח.

Google: maxOutputTokens.

xAI: max_completion_tokens — ברירת מחדל גבוהה מאוד.

הטעות הנפוצה: תקרה נמוכה עם effort גבוה — הפלט נחתך באמצע, ולפעמים לפני שהתחיל.

רמת פירוט

text.verbosity

כמה מילים המודל מבזבז סביב התשובה. נפרד לגמרי מעומק החשיבה.

low · medium · high
המלצה

low לקוד ולחילוץ, medium לניתוח, high רק כשצריך הסבר מלא.

OpenAI: text.verbosity (וב-Codex: model_verbosity).

Anthropic: אין פרמטר — שולטים דרך הפרומפט ('ענה ב-3 נקודות').

Google: אין פרמטר; 3.x תכליתי כברירת מחדל.

xAI: אין פרמטר — בקש אורך בפרומפט.

הטעות הנפוצה: הורדת verbosity כדי 'לחסוך' בזמן שהבעיה היא שהתשובה שטחית.

פלט מובנה

structured outputs

כפיית JSON בסכמה סגורה, כך שהמודל לא יכול להמציא שדות או להחזיר טקסט מסביב.

json_schema (strict) · responseSchema · tool schema
המלצה

חובה בכל חילוץ נתונים. הגדר enums ו-null מותר במפורש.

OpenAI: text.format עם json_schema ו-strict.

Anthropic: דרך tool עם סכמת קלט — זו הדרך הרשמית.

Google: responseSchema + responseMimeType.

xAI: response_format עם json_schema.

הטעות הנפוצה: בקשה 'תחזיר JSON' בפרומפט בלבד — זה לא אוכף כלום.

רזולוציית מדיה

media_resolution

כמה tokens נגבים מתמונה או וידאו. גבוה = פרטים קטנים, יקר יותר; נמוך = מהיר וזול.

low · medium · high (Gemini)
המלצה

low לצילום מסך כללי, high לטקסט קטן, טבלאות או דיאגרמות.

OpenAI: detail: low/high בתמונות.

Anthropic: רזולוציה נקבעת בגודל התמונה שנשלחת.

Google: media_resolution — שליטה ישירה בעלות.

xAI: vision ללא פרמטר רזולוציה.

הטעות הנפוצה: שליחת 20 צילומי מסך ברזולוציה מלאה לניתוח כללי — עלות כפולה ומעלה.

כלים, הקשר ועלות

TOOLS & COST· 5 פרמטרים

בחירת כלים

tool_choice / parallel tool calls

האם המודל חייב לקרוא לכלי, אסור לו, או שהוא מחליט. בנוסף: קריאות מקבילות או סדרתיות.

auto · required · none · כלי ספציפי
המלצה

auto כברירת מחדל; required כשהכלי חייב לרוץ; none כשאתה בודק רק את הפרומפט.

OpenAI: tool_choice + parallel_tool_calls.

Anthropic: tool_choice; בקריאות מרובות אפשר thinking בין הכלים.

Google: function calling — מזהי הקריאות בתגובה חייבים להתאים לקריאות; thinking גבוה מגדיל קריאות כלים.

xAI: function calling רגיל; שווה context compaction בלופים.

הטעות הנפוצה: מודל שקורא לכלי 'ליתר ביטחון' בכל צעד — האטה ועלות בלי תועלת.

חיפוש ו-grounding

web search / grounding

הרשאת גישה לרשת בזמן אמת, עם מקורות. בלי זה כל טענה 'עדכנית' היא ידע מהאימון.

on · off (+ סינון דומיינים)
המלצה

on בכל שאלה עובדתית על ההווה: מחירים, גרסאות, מתחרים, חדשות.

OpenAI: כלי web_search ב-Responses API.

Anthropic: כלי web search נפרד; לתעד מקורות בתשובה.

Google: google_search grounding — החזק ביותר למקורות.

xAI: live search, חזק במיוחד לעדכניות.

הטעות הנפוצה: הנחה שהמודל 'יודע' על גרסה שיצאה אחרי תאריך האימון.

מטמון פרומפט

prompt caching

שימוש חוזר בחישוב של קידומת פרומפט יציבה (מסמך, קוד, הוראות) במחיר מוזל בהרבה.

אוטומטי (OpenAI/Grok) · cache_control מפורש (Anthropic)
המלצה

בכל מערכת עם פרומפט ארוך קבוע — לשים את החלק הקבוע ראשון ואת המשתנה בסוף.

OpenAI: אוטומטי מעל סף אורך; הנחה של עד 90% בקלט.

Anthropic: cache_control ידני על גבולות; חוסך עלות וזמן.

Google: context caching מפורש לפרומפטים גדולים.

xAI: cache read בתעריף מוזל.

הטעות הנפוצה: הכנסת תאריך או מזהה משתנה בתחילת הפרומפט — שובר את המטמון בכל קריאה.

ניהול הקשר

compaction / context editing

מה קורה כשהשיחה גדלה מעבר לחלון: קיצור אוטומטי, מחיקת תוצאות כלים ישנות, או כשל.

compaction · context editing · ידני
המלצה

בלופים סוכניים — הפעל קיצור אוטומטי, ושמור תמיד את ההוראות וההחלטות בראש ההקשר.

OpenAI: ניהול הקשר בצד הלקוח; שמור סיכום מצטבר.

Anthropic: context editing למחיקת תוצאות כלים ישנות.

Google: חלון מיליון טוקנים מקטין את הלחץ.

xAI: context compaction מובנה — מומלץ ללופים ארוכים.

הטעות הנפוצה: הנחה שההקשר 'נשמר' — ברגע שהוא נחתך, המודל שוכח את האילוצים המקוריים.

מדיניות אישורים

approval_policy / sandbox_mode

בסוכני קוד (Codex): מתי הסוכן עוצר לבקש אישור, ואיזה אזור הוא רשאי לכתוב בו.

on-request · never · read-only · workspace-write
המלצה

on-request עם workspace-write. 'never' רק בסביבה מבודדת שאתה מוכן לאבד.

OpenAI: Codex: approval_policy + sandbox_mode + AGENTS.md.

Anthropic: Claude Code: הרשאות לכלים ופקודות.

Google: Gemini CLI: מצבי אישור דומים.

xAI: סוכן Grok: הרשאות לפי כלי.

הטעות הנפוצה: כיבוי אישורים לגמרי כדי 'לזרז' — ואז פקודה אחת מוחקת עבודה.