---
title: "Ano ang logprobs? Log probability ng token sa LLM API"
description: "Ang logprobs ay ang log probability na ibinibigay ng model sa bawat output token. Paano gumagana ang logprobs at top_logprobs, at paggamit nito sa confidence check."
url: https://broadrouter.com/fil/glossary/logprobs/
lang: fil
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/glossary/logprobs/) (na-update noong 2026-11-14).

# Logprobs

Na-update 2026-11-14

Ang logprobs ay ang mga log probability na ibinigay ng language model sa mga token na nabuo nito. Kapag ibinabalik ito ng API, makikita mo sa bawat output token kung gaano ito kalamang sa tingin ng model at, kung gusto mo, ang pinaka-malamang na alternatibong token sa posisyong iyon.

Tinatawag ding: logprobs sa LLM, probability ng token, log probabilities, token log probabilities, top\_logprobs, token probabilities

Bawat token na isinusulat ng model ay pinipili mula sa isang probability distribution. Ipinapakita ng logprobs ang distribution na iyon, isang token kada pagkakataon.

## Paano ito gumagana

Sa bawat hakbang, binibigyan ng model ng score ang bawat [token](https://broadrouter.com/fil/glossary/token/) sa vocabulary nito at ginagawang probability ang mga score. Kayang iulat ng API ang natural log ng probability ng token na pinili nito. Log ang ginagamit dahil napakaliit ng mga raw na numero; ang pagdagdag ng mga log ay katumbas ng pag-multiply ng mga probability.

Sa Chat Completions API ng OpenAI, hinihingi mo ito gamit ang dalawang request field:

-   Nagbabalik ang `logprobs: true` ng log probability para sa bawat output token.
-   Ang `top_logprobs` ay “an integer between 0 and 20” (isang integer mula 0 hanggang 20) para sa kung ilang malamang na alternatibo ang ililista sa bawat posisyon. Kailangan nito ang `logprobs: true`.

Laman ng bawat entry sa `choices[0].logprobs.content` ang `token`, ang `logprob` nito, ang UTF-8 `bytes` nito at isang `top_logprobs` list. I-convert gamit ang `exp(logprob)`:

| logprob | probability |
| --- | --- |
| 0 | 1.00 |
| \-0.105 | mga 0.90 |
| \-0.693 | mga 0.50 |
| \-2.303 | mga 0.10 |

## Bakit ito mahalaga

Inililista ng cookbook ng OpenAI ang mga praktikal na gamit:

-   **Kumpiyansa sa classification.** Humingi ng label na isang salita at basahin ang logprob ng token na iyon. Ipasa sa tao ang mga item na mababa ang kumpiyansa.
-   **Pag-check sa retrieval.** Itanong kung sinasagot ng ibinigay na context ang tanong, at gamitin ang probability ng “yes” bilang score. Iniuugnay ito ng cookbook sa pagbawas ng [hallucination](https://broadrouter.com/fil/glossary/hallucination/).
-   **Autocomplete.** Magmungkahi lang ng susunod na salita kapag kumpiyansa ang model.
-   **Perplexity.** Kunin ang average ng logprobs ng buong sagot, gawing negative ang resulta at itaas ang e sa power na iyon. Ang mas mababang perplexity ay nangangahulugang mas nahulaan ng model ang text.

Nakikita rin ang sampling dahil sa logprobs. Kapag tinaasan ang [temperature](https://broadrouter.com/fil/glossary/temperature/) o [top-p](https://broadrouter.com/fil/glossary/top-p/), nakakalusot ang mga token na mas mababa ang probability, at ipinapakita iyon ng logprobs. Murang dagdag ito sa isang [LLM-as-judge](https://broadrouter.com/fil/glossary/llm-as-judge/) na hakbang, dahil kasama na ito sa sagot nang walang dagdag na request.

## Sa BroadNet Inference

Hindi idinodokumento ng [API reference](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-logprobs&utm_content=body) ng BroadNet ang `logprobs` o `top_logprobs` para sa anumang model. Huwag ipagpalagay na ibinabalik ito ng isang OpenAI-compatible na endpoint. Magpadala ng isang request na may `logprobs: true`, tingnan kung may laman ang `choices[0].logprobs`, at magplano ng fallback, gaya ng judge prompt, kung wala. Ipinapakita ng [gabay sa Python SDK](https://broadrouter.com/fil/guides/openai-python-sdk/) ang setup ng client para sa test.

## Mga karaniwang pagkakamali

-   Pagbasa sa mataas na logprob bilang patunay na tama ang fact. Ibig lang sabihin nito na inaasahan ng model ang token na iyon.
-   Pagkumpara ng logprobs sa magkakaibang model. Magkakaiba ang tokenizer at calibration, kaya hindi pareho ang sukatan ng mga numero.

## Mga tanong

### Paano ko gagawing percentage ang isang logprob?

Itaas ang e sa power ng logprob. Ang logprob na -0.105 ay mga 0.90, o 90%. Ang logprob na 0 ay nangangahulugang probability 1 ang ibinigay ng model sa token na iyon.

### Sukatan ba ang logprobs kung totoo ang sagot?

Hindi. Sinusukat nito kung gaano kumpiyansa ang model sa pananalita nito, hindi kung tama ang fact. Puwedeng kumpiyansang mali ang isang model.

### Nagbabalik ba ng logprobs ang BroadNet Inference?

Hindi idinodokumento ng API reference ng BroadNet ang logprobs. Magpadala ng test request na naka-set sa true ang logprobs at tingnan ang response bago ka bumuo ng anuman dito.

## Tingnan din

-   [Token](https://broadrouter.com/fil/glossary/token/) (termino)
-   [Temperature](https://broadrouter.com/fil/glossary/temperature/) (termino)
-   [Top-p (nucleus sampling)](https://broadrouter.com/fil/glossary/top-p/) (termino)
-   [AI hallucination](https://broadrouter.com/fil/glossary/hallucination/) (termino)
-   [LLM-as-a-judge](https://broadrouter.com/fil/glossary/llm-as-judge/) (termino)
-   [Paano gamitin ang OpenAI Python SDK sa BroadNet Inference](https://broadrouter.com/fil/guides/openai-python-sdk/) (gabay)
-   [Paano mag-evaluate ng LLM bago lumipat ng provider](https://broadrouter.com/fil/blog/evaluate-llm-before-switching/) (artikulo)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-logprobs&utm_content=page-cta) ·

**Mga source**

-   [OpenAI API reference, create chat completion (logprobs, top\_logprobs)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [OpenAI Cookbook, using logprobs](https://developers.openai.com/cookbook/examples/using_logprobs)
-   [API reference ng BroadNet Inference (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-logprobs&utm_content=sources)
