Ridurre la latenza

La "latency" (latenza) si riferisce al tempo necessario al modello per elaborare un prompt e generare un output. La latenza può essere influenzata da vari fattori, come la dimensione del modello, la complessità del prompt e l'infrastruttura sottostante che supporta il modello e il punto di interazione.



Come misurare la latenza

Quando si parla di latenza, potresti imbatterti in diversi termini e misurazioni:

• Latenza di base: è il tempo impiegato dal modello per elaborare il prompt e generare la risposta, senza considerare i token di input e output al secondo. Fornisce un'idea generale della velocità del modello.
• Time to first token (TTFT): questa metrica misura il tempo necessario al modello per generare il primo token della risposta, a partire dal momento in cui il prompt è stato inviato. È particolarmente rilevante quando utilizzi lo streaming (ne parleremo più avanti) e vuoi offrire un'esperienza reattiva ai tuoi utenti.

Per una comprensione più approfondita di questi termini, consulta il nostro glossario.



Come ridurre la latenza



1. Scegli il modello giusto

Uno dei modi più semplici per ridurre la latenza è selezionare il modello appropriato per il tuo caso d'uso. Anthropic offre una gamma di modelli con diverse capacità e caratteristiche prestazionali. Considera i tuoi requisiti specifici e scegli il modello che meglio si adatta alle tue esigenze in termini di velocità e qualità dell'output.

Per applicazioni in cui la velocità è critica, Claude Haiku 4.5 offre i tempi di risposta più rapidi mantenendo al contempo un'elevata intelligenza:

import anthropic

client = anthropic.Anthropic()

# Per applicazioni sensibili al tempo, usa 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]",
        }
    ],
)

Per maggiori dettagli sulle metriche dei modelli, consulta la nostra pagina panoramica dei modelli.



2. Ottimizza la lunghezza del prompt e dell'output

Riduci al minimo il numero di token sia nel prompt di input che nell'output previsto, mantenendo comunque prestazioni elevate. Meno token il modello deve elaborare e generare, più veloce sarà la risposta.

Ecco alcuni suggerimenti per aiutarti a ottimizzare i tuoi prompt e output:

• Sii chiaro ma conciso: cerca di trasmettere il tuo intento in modo chiaro e conciso nel prompt. Evita dettagli non necessari o informazioni ridondanti, tenendo presente che Claude non ha contesto sul tuo caso d'uso e potrebbe non fare i salti logici previsti se le istruzioni non sono chiare.
• Chiedi risposte più brevi: chiedi direttamente a Claude di essere conciso. La famiglia di modelli Claude 3 ha una migliore controllabilità rispetto alle generazioni precedenti. Se Claude produce output di lunghezza indesiderata, chiedi a Claude di limitare la sua loquacità.
  

  A causa del modo in cui gli LLM contano i token invece delle parole, chiedere un numero esatto di parole o un limite di parole non è una strategia efficace quanto chiedere limiti sul numero di paragrafi o frasi.
• Imposta limiti di output appropriati: usa il parametro max_tokens per impostare un limite rigido sulla lunghezza massima della risposta generata. Questo impedisce a Claude di generare output eccessivamente lunghi.

  Nota: quando la risposta raggiunge max_tokens token, verrà troncata, forse a metà frase o a metà parola, quindi questa è una tecnica grezza che potrebbe richiedere post-elaborazione ed è solitamente più appropriata per risposte a scelta multipla o risposte brevi in cui la risposta arriva proprio all'inizio.

• Sperimenta con la temperatura: il parametro temperature controlla la casualità dell'output. Valori più bassi (ad esempio 0,2) possono talvolta portare a risposte più mirate e brevi, mentre valori più alti (ad esempio 0,8) possono produrre output più vari ma potenzialmente più lunghi.

Trovare il giusto equilibrio tra chiarezza del prompt, qualità dell'output e numero di token potrebbe richiedere un po' di sperimentazione.



3. Sfrutta lo streaming

Lo streaming è una funzionalità che consente al modello di iniziare a inviare la sua risposta prima che l'output completo sia terminato. Questo può migliorare significativamente la reattività percepita della tua applicazione, poiché gli utenti possono vedere l'output del modello in tempo reale.

Con lo streaming abilitato, puoi elaborare l'output del modello man mano che arriva, aggiornando l'interfaccia utente o eseguendo altre attività in parallelo. Questo può migliorare notevolmente l'esperienza utente e rendere la tua applicazione più interattiva e reattiva.

Visita streaming dei Messages per scoprire come implementare lo streaming per il tuo caso d'uso.