Home → Assistenza
400 unsupported parameter su un modello di ragionamento
I modelli di ragionamento fissano da soli il proprio campionamento. Inviare temperature, top_p o i parametri di penalità viene rifiutato del tutto invece che ignorato, quindi un costruttore di richieste condiviso che li imposta sempre si rompe non appena lo punti su uno di essi.
Cosa vedi
400 unsupported_parameter: 'temperature' is not supported with this modelUnsupported value: 'temperature' does not support 0.7 with this modelThe identical request works if you switch to a non-reasoning modelinvalid_request_error mentioning top_p, presence_penalty or frequency_penalty
Perché succede
La catena di ragionamento viene prodotta con impostazioni controllate dal provider. Permettere al chiamante di modificarle cambierebbe il comportamento per cui il modello è stato calibrato, quindi l'API rifiuta invece di sovrascriverle in silenzio.
La maggior parte delle librerie imposta temperature per impostazione predefinita. Il parametro è nella richiesta anche se non l'hai mai scritto, ed è per questo che l'errore compare in codice che «non usa temperature».
L'insieme dei parametri rifiutati varia tra famiglie di modelli e cambia da una versione all'altra. Un elenco di eccezioni scritto nel codice invecchia male.
Come risolvere
- Ometti i parametri di campionamento invece di impostare valori predefinitiCostruisci la richiesta senza temperature e top_p, a meno che il chiamante non li abbia chiesti esplicitamente. Inviare temperature=1 «per sicurezza» significa comunque inviarlo.
- Crea un ramo in base al modello, non all'erroreTieni una piccola tabella dei modelli che accettano parametri di campionamento e rimuovili prima della chiamata. Intercettare il 400 e ritentare funziona, ma raddoppia la latenza di ogni richiesta.
- Usa il controllo dello sforzo di ragionamento dove esisteQuando un modello espone un'impostazione di sforzo o di budget di ragionamento, quella è la manopola pensata per te. È anche ciò che spiega la differenza di costo tra un'esecuzione e l'altra.
Su APICLAN l'output di ragionamento viene addebitato come token di output, quindi le impostazioni di sforzo incidono direttamente sulla fattura. La pagina di ogni modello indica la tariffa, e il log di utilizzo scompone ogni chiamata in input, output, lettura dalla cache e scrittura in cache.
Articoli correlati
Ultima verifica: 2026-10-01. Scritto a partire da problemi diagnosticati su un gateway
compatibile con OpenAI in produzione, non raccolto da altri siti.