Reducción de la latencia

La latencia se refiere al tiempo que tarda el modelo en procesar un prompt y generar una salida. La latencia puede verse influenciada por varios factores, como el tamaño del modelo, la complejidad del prompt y la infraestructura subyacente que soporta el modelo y el punto de interacción.

Cómo medir la latencia

Al hablar de latencia, puedes encontrarte con varios términos y mediciones:

• Latencia base: Es el tiempo que tarda el modelo en procesar el prompt y generar la respuesta, sin considerar los tokens de entrada y salida por segundo. Proporciona una idea general de la velocidad del modelo.
• Tiempo hasta el primer token (TTFT): Esta métrica mide el tiempo que tarda el modelo en generar el primer token de la respuesta, desde que se envió el prompt. Es especialmente relevante cuando usas streaming (más sobre eso más adelante) y quieres proporcionar una experiencia receptiva a tus usuarios.

Para una comprensión más profunda de estos términos, consulta nuestro glosario.

Cómo reducir la latencia

1. Elige el modelo adecuado

Una de las formas más directas de reducir la latencia es seleccionar el modelo apropiado para tu caso de uso. Anthropic ofrece una gama de modelos con diferentes capacidades y características de rendimiento. Considera tus requisitos específicos y elige el modelo que mejor se adapte a tus necesidades en términos de velocidad y calidad de salida.

Para aplicaciones donde la velocidad es crítica, Claude Haiku 4.5 ofrece los tiempos de respuesta más rápidos manteniendo una alta inteligencia:

import anthropic

client = anthropic.Anthropic()

# For time-sensitive applications, use Claude Haiku 4.5
message = client.messages.create(
    model="claude-haiku-4-5",
    max_tokens=100,
    messages=[
        {
            "role": "user",
            "content": "Summarize this customer feedback in 2 sentences: [feedback text]",
        }
    ],
)

Para más detalles sobre las métricas de los modelos, consulta nuestra página de descripción general de modelos.

2. Optimiza la longitud del prompt y la salida

Minimiza el número de tokens tanto en tu prompt de entrada como en la salida esperada, manteniendo al mismo tiempo un alto rendimiento. Cuantos menos tokens tenga que procesar y generar el modelo, más rápida será la respuesta.

Aquí tienes algunos consejos para ayudarte a optimizar tus prompts y salidas:

• Sé claro pero conciso: Intenta transmitir tu intención de forma clara y concisa en el prompt. Evita detalles innecesarios o información redundante, teniendo en cuenta que Claude carece de contexto sobre tu caso de uso y puede no hacer los saltos lógicos previstos si las instrucciones no son claras.
• Pide respuestas más cortas: Pide a Claude directamente que sea conciso. La familia de modelos Claude 3 tiene una mayor capacidad de dirección que las generaciones anteriores. Si Claude está generando una longitud no deseada, pídele a Claude que reduzca su locuacidad.
  Debido a cómo los LLMs cuentan tokens en lugar de palabras, pedir un recuento exacto de palabras o un límite de recuento de palabras no es una estrategia tan efectiva como pedir límites de recuento de párrafos u oraciones.
• Establece límites de salida apropiados: Usa el parámetro max_tokens para establecer un límite máximo en la longitud de la respuesta generada. Esto evita que Claude genere salidas demasiado largas.

  Nota: Cuando la respuesta alcanza max_tokens tokens, la respuesta se cortará, quizás a mitad de una oración o de una palabra, por lo que esta es una técnica contundente que puede requerir post-procesamiento y generalmente es más apropiada para respuestas de opción múltiple o respuestas cortas donde la respuesta aparece justo al principio.

• : El controla la aleatoriedad de la salida. Los valores más bajos (p. ej., 0.2) a veces pueden llevar a respuestas más enfocadas y cortas, mientras que los valores más altos (p. ej., 0.8) pueden resultar en salidas más diversas pero potencialmente más largas.

Encontrar el equilibrio adecuado entre la claridad del prompt, la calidad de la salida y el recuento de tokens puede requerir algo de experimentación.

3. Aprovecha el streaming

El streaming es una función que permite al modelo comenzar a enviar su respuesta antes de que la salida completa esté lista. Esto puede mejorar significativamente la capacidad de respuesta percibida de tu aplicación, ya que los usuarios pueden ver la salida del modelo en tiempo real.

Con el streaming habilitado, puedes procesar la salida del modelo a medida que llega, actualizando tu interfaz de usuario o realizando otras tareas en paralelo. Esto puede mejorar enormemente la experiencia del usuario y hacer que tu aplicación se sienta más interactiva y receptiva.

Visita streaming de mensajes para aprender cómo puedes implementar el streaming para tu caso de uso.